論文の概要: Bilevel subsidy-enabled mobility hub network design with perturbed utility coalitional choice-based assignment

• arxiv url: http://arxiv.org/abs/2509.10465v1
• Date: Mon, 18 Aug 2025 16:34:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.732924
• Title: Bilevel subsidy-enabled mobility hub network design with perturbed utility coalitional choice-based assignment
• Title（参考訳）: 摂動型効用連立選択に基づく二レベル補助型モビリティハブネットワークの設計
• Authors: Hai Yang, Joseph Y. J. Chow,
• Abstract要約: 我々は、MHを制御レバーとして扱う二段階MHプラットフォーム設計モデルを開発した。 上位層は、最終マイルオペレーターにインセンティブを与える補助金を設定することで、収益またはフローを最大化する。 下位レベルは、リンクベースの摂動ユーティリティールート選択の割り当てで、共同旅行者-操作者による決定をキャプチャする。
• 参考スコア（独自算出の注目度）: 3.836506019632274
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Urban mobility is undergoing rapid transformation with the emergence of new services. Mobility hubs (MHs) have been proposed as physical-digital convergence points, offering a range of public and private mobility options in close proximity. By supporting Mobility-as-a-Service, these hubs can serve as focal points where travel decisions intersect with operator strategies. We develop a bilevel MH platform design model that treats MHs as control levers. The upper level (platform) maximizes revenue or flow by setting subsidies to incentivize last-mile operators; the lower level captures joint traveler-operator decisions with a link-based Perturbed Utility Route Choice (PURC) assignment, yielding a strictly convex quadratic program. We reformulate the bilevel problem to a single-level program via the KKT conditions of the lower level and solve it with a gap-penalty method and an iterative warm-start scheme that exploits the computationally cheap lower-level problem. Numerical experiments on a toy network and a Long Island Rail Road (LIRR) case (244 nodes, 469 links, 78 ODs) show that the method attains sub-1% optimality gaps in minutes. In the base LIRR case, the model allows policymakers to quantify the social surplus value of a MH, or the value of enabling subsidy or regulating the microtransit operator's pricing. Comparing link-based subsidies to hub-based subsidies, the latter is computationally more expensive but offers an easier mechanism for comparison and control.
• Abstract（参考訳）: 都市のモビリティは、新しいサービスの出現とともに急速に変化している。 移動ハブ(MHs)は物理デジタル収束点として提案されており、近距離で公共および民間の移動手段を提供する。 モビリティ・アズ・ア・サービスをサポートすることで、これらのハブは、旅行決定がオペレータ戦略と交差する焦点として機能する。 我々は、MHを制御レバーとして扱う二段階MHプラットフォーム設計モデルを開発した。 上位層(プラットフォーム)は、補助金を設定してラストマイルのオペレーターにインセンティブを与えることで収益やフローを最大化し、下位層はリンクベースのパータードユーティリティー・ルート・チョイス(PURC)の割り当てで共同旅行者-オペレーターの意思決定を捉え、厳密な2次計画を生み出している。 両レベル問題を低レベルのKKT条件を通した単一レベルプログラムに再構成し,計算コストの低い低レベル問題を利用するギャップペナルティ法と反復的ウォームスタート法を用いて解く。 おもちゃのネットワークとロングアイランド鉄道(LIRR)のケース(244ノード、469リンク、78ODs)の数値実験により、この手法が数分で1%以下の最適性ギャップに達することが示された。 基本LIRRの場合、このモデルは、政策立案者がMHの社会的余剰値、またはマイクロトランジットオペレーターの価格を補助または規制する価値を定量化することを可能にする。 リンクベースの助成金とハブベースの助成金を比較すると、後者は計算コストが高いが、比較と制御の容易なメカニズムを提供する。

関連論文リスト

• A Primal-Dual-Assisted Penalty Approach to Bilevel Optimization with Coupled Constraints [66.61399765513383]
  We developed a BLOCC algorithm to tackle BiLevel Optimization problems with Coupled Constraints。 2つのよく知られた実世界のアプリケーションでその効果を実証する。
  論文  参考訳（メタデータ） (2024-06-14T15:59:36Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• On-demand Mobility-as-a-Service platform assignment games with guaranteed stable outcomes [3.10770247120758]
  モビリティ・アズ・ア・サービス(M: Mobility-as-a-Service)は、旅行者・利用者・オペレーターの2つの排他的エージェントからなる市場である。 本研究では,MaaSプラットフォーム均衡モデルを提案し,固定経路のトランジットサービスとモビリティ・オン・デマンド(MOD)サービスの両方を取り入れた多対多の割り当てゲームを提案する。
  論文  参考訳（メタデータ） (2023-05-01T13:33:16Z)
• Designing Optimal Personalized Incentive for Traffic Routing using BIG Hype algorithm [3.7597202216941783]
  都市レベルでプラグイン型電気自動車と従来型燃料電池を最適にルーティングする問題について検討する。 我々のモデルでは、通勤者は、旅行時間と、市や駐車場、サービスステーションを利用するための金銭的費用を組み合わせた地域費用を、自力で最小化することを目的としている。 我々は、これらの金融インセンティブを大規模バイレベルゲームとして最適に設計する問題を定式化する。
  論文  参考訳（メタデータ） (2023-04-24T11:13:10Z)
• Entangled Pair Resource Allocation under Uncertain Fidelity Requirements [59.83361663430336]
  量子ネットワークにおいて、効果的な絡み合いルーティングは、量子ソースと量子宛先ノード間の通信を容易にする。 本稿では,絡み合ったペアに対する資源配分モデルと,整合性保証を伴う絡み合ったルーティングモデルを提案する。 提案モデルでは, ベースラインモデルと比較して, 総コストを少なくとも20%削減できる。
  論文  参考訳（メタデータ） (2023-04-10T07:16:51Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• A Modular and Transferable Reinforcement Learning Framework for the Fleet Rebalancing Problem [2.299872239734834]
  モデルフリー強化学習(RL)に基づく艦隊再バランスのためのモジュラーフレームワークを提案する。 動作領域のグリッド上の分布としてRL状態とアクション空間を定式化し,フレームワークをスケーラブルにする。 実世界の旅行データとネットワークデータを用いた数値実験は、このアプローチがベースライン法よりもいくつかの異なる利点があることを実証している。
  論文  参考訳（メタデータ） (2021-05-27T16:32:28Z)
• Reward Design for Driver Repositioning Using Multi-Agent Reinforcement Learning [3.3123634393237706]
  本稿では,MARL(平均フィールド型マルチエージェント強化学習)を用いたマルチドライバ再配置タスクをモデル化することを目的とする。 与えられた報酬機構の下でのマルチドライバシステムへのMARLの直接適用は、ドライバの利己性による最適以下の均衡をもたらす可能性が高いため、本研究では、報酬設計スキームを提案する。 両レベル最適化モデルを2つのケーススタディに適用する。すなわち、サービス料金下でのE配車ドライバー配置と、ニューヨーク市の混雑価格下でのマルチクラスタクシー運転手配置である。
  論文  参考訳（メタデータ） (2020-02-17T00:10:58Z)

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。