論文の概要: A Ranking-Based Optimization Algorithm for the Vehicle Relocation Problem in Car Sharing Services

• arxiv url: http://arxiv.org/abs/2511.07724v1
• Date: Wed, 12 Nov 2025 01:13:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.448502
• Title: A Ranking-Based Optimization Algorithm for the Vehicle Relocation Problem in Car Sharing Services
• Title（参考訳）: カーシェアリングサービスにおける車両配置問題のランク付けに基づく最適化アルゴリズム
• Authors: Piotr Szwed, Paweł Skrzynski, Jarosław Wąs,
• Abstract要約: 本論文は, 自動車再配置戦略に着目し, スクーターによる人員移動を課題とするソリューションを提示することによって, フリーフローティングカーシェアリングサービスにおける車両移動問題に対処するものである。 提案手法は,車両の存在とサービス需要の時間的パターンに類似した領域をグループ化するゾーンに分割することで,個別の最適化手法の適用を可能にする。 次段階では、各ゾーンで利用可能な車両数、需要の予測確率密度、推定旅行時間に基づいて、その決定を行う高速ランキングに基づくアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The paper addresses the Vehicle Relocation Problem in free-floating car-sharing services by presenting a solution focused on strategies for repositioning vehicles and transferring personnel with the use of scooters. Our method begins by dividing the service area into zones that group regions with similar temporal patterns of vehicle presence and service demand, allowing the application of discrete optimization methods. In the next stage, we propose a fast ranking-based algorithm that makes its decisions on the basis of the number of cars available in each zone, the projected probability density of demand, and estimated trip durations. The experiments were carried out on the basis of real-world data originating from a major car-sharing service operator in Poland. The results of this algorithm are evaluated against scenarios without optimization that constitute a baseline and compared with the results of an exact algorithm to solve the Mixed Integer Programming (MIP) model. As performance metrics, the total travel time was used. Under identical conditions (number of vehicles, staff, and demand distribution), the average improvements with respect to the baseline of our algorithm and MIP solver were equal to 8.44\% and 19.6\% correspondingly. However, it should be noted that the MIP model also mimicked decisions on trip selection, which are excluded by current services business rules. The analysis of results suggests that, depending on the size of the workforce, the application of the proposed solution allows for improving performance metrics by roughly 3%-10%.
• Abstract（参考訳）: 本論文は, 自動車再配置戦略に着目し, スクーターによる人員移動を課題とするソリューションを提示することによって, フリーフローティングカーシェアリングサービスにおける車両移動問題に対処するものである。 提案手法は,車両の存在とサービス需要の時間的パターンに類似した領域をグループ化するゾーンに分割することで,個別の最適化手法の適用を可能にする。 次段階では、各ゾーンで利用可能な車両数、需要の予測確率密度、推定旅行時間に基づいて、その決定を行う高速ランキングに基づくアルゴリズムを提案する。 実験はポーランドの大手カーシェアリングサービス事業者から得られた実世界のデータに基づいて行われた。 このアルゴリズムの結果は,ベースラインを構成する最適化のないシナリオに対して評価され,MIP(Mixed Integer Programming)モデルを解くための正確なアルゴリズムの結果と比較される。 パフォーマンス指標として、総走行時間を使用した。 同一条件 (車両数, スタッフ数, 需要分布) では, アルゴリズムのベースラインに対する平均改善率は8.44 %, および19.6 %であった。 しかし、MIPモデルは、現在のサービスビジネスルールから除外された旅行選択の決定を模倣している点にも注意が必要だ。 その結果,労働力の規模によっては,提案手法の適用により,パフォーマンス指標を約3%～10%向上させることができることが示唆された。

関連論文リスト

• Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [53.75036695728983]
  車両ルーティング問題 (VRP) は進化的最適化における基本的なNPハード問題である。 本稿では、強化学習エージェントを事前のインスタンスで訓練し、初期解を迅速に生成する最適化フレームワークを提案する。 このフレームワークは、様々な時間予算において、現在の最先端のソルバよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-04-08T15:21:01Z)
• Federated Data-Driven Kalman Filtering for State Estimation [49.40531019551957]
  本稿では,協調学習やフェデレート学習のパラダイムに基づく,新たなローカライゼーションフレームワークを提案する。 我々は、従来の拡張カルマンフィルタの基盤となるシステム不確実性を推定することを目的とした、リカレントニューラルネットワークであるKalmanNetの標準的なアプローチに基づいて構築する。 FedKalmanNetは、関連するシステム不確実性行列を推定することにより、各車両が自身をローカライズするために使用される。
  論文  参考訳（メタデータ） (2024-11-06T16:18:33Z)
• Research on Travel Route Planing Problems Based on Greedy Algorithm [0.0]
  欲求アルゴリズムに基づく経路計画問題は、与えられた開始点と終了点の間の最適経路またはほぼ最適経路を特定する方法を表す。 本稿では,まず都市評価指標をダウンスケールし,主要な主要成分を抽出し,データをダウンスケールするためにPCA法を用いる。 旅行者のニーズに応じて個別にルートをカスタマイズする,欲求に基づく経路計画アルゴリズムが提案され,最適化されている。
  論文  参考訳（メタデータ） (2024-10-17T05:17:01Z)
• Exact algorithms and heuristics for capacitated covering salesman problems [0.0]
  本稿では,CCSP(Capacitated Covering Salesman Problem)を紹介する。 目的は、車両が横断する距離を最小化しながら、車両群を補給することである。 ILP(Integer Linear Programming)とBRKGA(Biased Random-Key Genetic Routing)のメタヒューリスティックに基づくCCSPの最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-03-03T07:50:29Z)
• Location-routing Optimisation for Urban Logistics Using Mobile Parcel Locker Based on Hybrid Q-Learning Algorithm [0.0]
  パーセルロッカー(MPL)は、交通渋滞と運用コストを低減する手段として、都市物流事業者によって導入されている。 本稿では,MPLのロケーションルーティング問題を解くための整数プログラミングモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-29T01:27:12Z)
• Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
  提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。 われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。 アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2021-08-25T18:24:34Z)
• 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)
• Equilibrium Inverse Reinforcement Learning for Ride-hailing Vehicle Network [1.599072005190786]
  疎結合グラフにおける客車マッチングの問題を定式化する。 マルチエージェント環境における平衡ポリシを導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-13T03:18:44Z)
• Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
  本稿では,ミリ波通信網における車とセルの関連性について検討する。 まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。 提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
  論文  参考訳（メタデータ） (2020-01-22T08:51:05Z)

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。