論文の概要: HCRide: Harmonizing Passenger Fairness and Driver Preference for Human-Centered Ride-Hailing

• arxiv url: http://arxiv.org/abs/2508.04811v1
• Date: Wed, 06 Aug 2025 18:47:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.617001
• Title: HCRide: Harmonizing Passenger Fairness and Driver Preference for Human-Centered Ride-Hailing
• Title（参考訳）: HCRide:人間中心の乗り心地とドライバーの嗜好を調和させる
• Authors: Lin Jiang, Yu Yang, Guang Wang,
• Abstract要約: 我々は,乗客の公正さと運転者の嗜好の両方を考慮し,人間中心の配車システムの設計を目指す。 我々は,新しいマルチエージェント強化学習アルゴリズムに基づくHCRideを設計する。 深センとニューヨーク市の2つの現実世界のライドシェアリングデータセットを用いて、HCRideを広範囲に評価した。
• 参考スコア（独自算出の注目度）: 10.900091012757196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Order dispatch systems play a vital role in ride-hailing services, which directly influence operator revenue, driver profit, and passenger experience. Most existing work focuses on improving system efficiency in terms of operator revenue, which may cause a bad experience for both passengers and drivers. Hence, in this work, we aim to design a human-centered ride-hailing system by considering both passenger fairness and driver preference without compromising the overall system efficiency. However, it is nontrivial to achieve this target due to the potential conflicts between passenger fairness and driver preference since optimizing one may sacrifice the other. To address this challenge, we design HCRide, a Human-Centered Ride-hailing system based on a novel multi-agent reinforcement learning algorithm called Harmonization-oriented Actor-Bi-Critic (Habic), which includes three major components (i.e., a multi-agent competition mechanism, a dynamic Actor network, and a Bi-Critic network) to optimize system efficiency and passenger fairness with driver preference consideration. We extensively evaluate our HCRide using two real-world ride-hailing datasets from Shenzhen and New York City. Experimental results show our HCRide effectively improves system efficiency by 2.02%, fairness by 5.39%, and driver preference by 10.21% compared to state-of-the-art baselines.
• Abstract（参考訳）: オーダーディスパッチシステムは、オペレーターの収入、ドライバーの利益、乗客体験に直接影響を与える配車サービスにおいて重要な役割を担っている。 既存の作業の多くは、オペレーターの収益の観点からシステムの効率を改善することに焦点を当てており、これは乗客とドライバーの両方にとって悪い経験を生んでいる可能性がある。 そこで本研究では,システム全体の効率を損なうことなく,乗客の公正さと運転者の嗜好の両方を考慮し,人間中心の配車システムを構築することを目的とする。 しかし、この目標を達成するのは、乗客の公平さと運転者の嗜好の潜在的な対立のためであり、一方の最適化は他方を犠牲にする可能性がある。 この課題に対処するために,HCRideを設計した。HCRideは,Halmonization-oriented Actor-Bi-Critic (Habic)と呼ばれる,新しいマルチエージェント強化学習アルゴリズムをベースとした,多エージェント競合機構,動的アクタネットワーク,およびBi-Criticネットワークの3つの主要コンポーネントを含む。 深センとニューヨーク市の2つの現実世界のライドシェアリングデータセットを用いて、HCRideを広範囲に評価した。 実験の結果,HCRideはシステム効率を22%向上し,公正度5.39%,運転者の好み10.21%向上した。

関連論文リスト

• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• Promoting Two-sided Fairness in Dynamic Vehicle Routing Problem [21.148097893483406]
  DVRPには、顧客に対してサービスを提供するサービスプロバイダと、異なる場所からの要求を集める顧客という2つの利害関係者が含まれている。 本稿では,遺伝的アルゴリズムを実用性にのみ焦点を絞った目的から,両面の公平性を含む多目的へと拡張する,両面の公平性を考慮した遺伝的アルゴリズム (2FairGA) を提案する。
  論文  参考訳（メタデータ） (2024-05-29T15:24:28Z)
• Predicting the Intention to Interact with a Service Robot:the Role of Gaze Cues [51.58558750517068]
  サービスロボットは、接近する人が対話する意図をできるだけ早く知覚する必要がある。 我々は,この認識課題を,対話を意図した潜在的なユーザ意図のシーケンス・ツー・シーケンス分類器を用いて解決する。 我々の主な貢献は、この文脈における人の視線を表す特徴の利点の研究である。
  論文  参考訳（メタデータ） (2024-04-02T14:22:54Z)
• Fairness-Enhancing Vehicle Rebalancing in the Ride-hailing System [7.531863938542706]
  配車産業の急速な成長は、世界中の都市交通に革命をもたらした。 その利益にもかかわらず、保存されていない地域社会が手頃な価格の配車サービスへのアクセシビリティに制限されているため、株式の懸念が生じる。 本稿では,新しい車両再バランス手法により,アルゴリズムとライダーの公正性を両立することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-12-29T23:02:34Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
  半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。 新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。 エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
  論文  参考訳（メタデータ） (2023-04-23T16:01:36Z)
• Using Simple Incentives to Improve Two-Sided Fairness in Ridesharing Systems [27.34946988130242]
  我々は、このILPの定式化の一環として、オンラインで実装できるシンプルなインセンティブに基づくフェアネススキームを提案する。 乗客グループとドライバーフェアネスの2つの異なるユースケースに対して、これらのフェアネスインセンティブをどのように定式化できるかを示す。
  論文  参考訳（メタデータ） (2023-03-25T02:24:27Z)
• Efficiency, Fairness, and Stability in Non-Commercial Peer-to-Peer Ridesharing [84.47891614815325]
  本稿は、P2Pライドシェアリングにおける中核的な問題である、ライダーとドライバーのマッチングに焦点を当てる。 P2Pライドシェアリングにおける公平性と安定性の新たな概念を紹介する。 結果は、妥当な計算時間で、公平で安定した解が得られることを示唆している。
  論文  参考訳（メタデータ） (2021-10-04T02:14:49Z)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)
• Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
  アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。 本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。 配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
  論文  参考訳（メタデータ） (2021-03-08T05:34:05Z)
• A Distributed Model-Free Ride-Sharing Approach for Joint Matching, Pricing, and Dispatching using Deep Reinforcement Learning [32.0512015286512]
  我々は、動的で需要に敏感で、価格に基づく車両通行者マッチングとルート計画フレームワークを提案する。 我々の枠組みはニューヨーク市税のデータセットを用いて検証されている。 実験の結果,実時間および大規模設定におけるアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2020-10-05T03:13:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。