論文の概要: Adaptive Optimisation of Ride-Pooling Personalised Fares in a Stochastic Framework

• arxiv url: http://arxiv.org/abs/2508.20723v2
• Date: Fri, 29 Aug 2025 08:19:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 11:39:19.125998
• Title: Adaptive Optimisation of Ride-Pooling Personalised Fares in a Stochastic Framework
• Title（参考訳）: 確率的枠組みを用いたライダープール型パーソナライズファレスの適応最適化
• Authors: Michal Bujak, Rafal Kucharski,
• Abstract要約: 個人化された運賃を最適化するために、オペレーターが個別の受入レベルを学習できることが示される。 本稿では,旅行者の期待を徐々に満たすオファーを,オペレーターが毎日構築する適応型価格政策を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ride-pooling systems, to succeed, must provide an attractive service, namely compensate perceived costs with an appealing price. However, because of a strong heterogeneity in a value-of-time, each traveller has his own acceptable price, unknown to the operator. Here, we show that individual acceptance levels can be learned by the operator (over $90\%$ accuracy for pooled travellers in $10$ days) to optimise personalised fares. We propose an adaptive pricing policy, where every day the operator constructs an offer that progressively meets travellers' expectations and attracts a growing demand. Our results suggest that operators, by learning behavioural traits of individual travellers, may improve performance not only for travellers (increased utility) but also for themselves (increased profit). Moreover, such knowledge allows the operator to remove inefficient pooled rides and focus on attractive and profitable combinations.
• Abstract（参考訳）: 成功するためには、ライドプールシステムは魅力的なサービスを提供しなければならず、すなわち、魅力的な価格で知覚されたコストを補う必要がある。 しかし、時間的価値の強い不均一性のため、各旅行者は、オペレーターに未知の独自の許容価格を持つ。 ここでは、個人化運賃を最適化するために、オペレーターが個々の受入レベルを学習できること(プールドトラベルの精度が10ドル以上)を示す。 我々は,旅行者の期待を徐々に満たし,需要が増大するオファーを,オペレータが毎日構築する適応型価格政策を提案する。 本研究は,個人旅行者の行動特性を学習することで,旅行者だけでなく,自ら(利益の増大)の性能向上が期待できることを示す。 さらに、そのような知識により、オペレーターは非効率なプールドライディングを取り除き、魅力的で利益のある組み合わせに集中することができる。

関連論文リスト

• Congestion Pricing for Efficiency and Equity: Theory and Applications to the San Francisco Bay Area [4.771971685916733]
  本稿では,全旅行時間を最小限に抑え,公平な目標を取り入れた新たな渋滞価格体系を提案する。 サンフランシスコ・ベイエリアの校正高速道路網における料金体系について検討した。
  論文  参考訳（メタデータ） (2024-01-30T09:35:02Z)
• Taxi dispatching strategies with compensations [2.952318265191524]
  本稿では,タクシー再割り当てを考慮した顧客への配車のための新しいアルゴリズムを提案する。 本稿では,個別に合理的なドライバーに依頼客に提案した修正案に同意させる経済補償スキームを提案する。
  論文  参考訳（メタデータ） (2024-01-21T17:54:46Z)
• 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)
• Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
  顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。 選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
  論文  参考訳（メタデータ） (2020-12-21T01:01:56Z)
• Right Decisions from Wrong Predictions: A Mechanism Design Alternative to Individual Calibration [107.15813002403905]
  意思決定者は、しばしば不完全な確率予測に頼る必要がある。 本稿では,予測ユーティリティが実際に取得したユーティリティと一致することを保証する補償機構を提案する。 本研究では、乗客が飛行遅延確率に基づいて、個々の旅行計画をどのように確実に最適化できるかを示すアプリケーションを示す。
  論文  参考訳（メタデータ） (2020-11-15T08:22:39Z)
• 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)
• Predicting Individual Treatment Effects of Large-scale Team Competitions in a Ride-sharing Economy [47.47879093076968]
  私たちは、主要なライドシェアリングプラットフォームによって組織された500以上の大規模なチームコンペティションから収集されたデータを分析します。 特徴と予測器を慎重に調査することで,サンプル外予測誤差を24%以上削減できる。 シミュレーション分析により、いくつかの競合設計オプションを変更するだけで、実際の競合に対する平均的な治療効果が最大26%増加することが予測されている。
  論文  参考訳（メタデータ） (2020-08-07T22:01:50Z)

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。