Fugu-MT 論文翻訳(概要): One Size Fits None: Modeling NYC Taxi Trips

論文の概要: One Size Fits None: Modeling NYC Taxi Trips

arxiv url: http://arxiv.org/abs/2602.19404v1
Date: Wed, 10 Dec 2025 23:20:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 07:21:25.629784
Title: One Size Fits None: Modeling NYC Taxi Trips
Title（参考訳）: ニューヨークのタクシートリップをモデル化する1つのサイズ
Authors: Tomas Eglinskas,
Abstract要約: 私たちは2024年から2億8000万回の旅行を分析して、従来のタクシーと高額のFor-hireサービスのチップを予測できるかどうかを調べました。従来のタクシーは車内支払い画面のため、高い予測が可能である。対照的に、アプリベースのチップはランダムで、モデル化が難しい。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The rise of app-based ride-sharing has fundamentally changed tipping culture in New York City. We analyzed 280 million trips from 2024 to see if we could predict tips for traditional taxis versus high-volume for-hire services. By testing methods from linear regression to deep neural networks, we found two very different outcomes. Traditional taxis are highly predictable ($R^2 \approx 0.72$) due to the in-car payment screen. In contrast, app-based tipping is random and hard to model ($R^2 \approx 0.17$). In conclusion, we show that building one universal model is a mistake and, due to Simpson's paradox, a combined model looks accurate on average but fails to predict tips for individual taxi categories requiring specialized models.
Abstract（参考訳）: アプリベースのライドシェアリングの台頭は、ニューヨークにおけるチップ文化を根本的に変えた。私たちは2024年から2億8000万回の旅行を分析して、従来のタクシーと高額のFor-hireサービスのチップを予測できるかどうかを調べました。線形回帰からディープニューラルネットワークへの手法の試験により、2つの非常に異なる結果が得られた。従来のタクシー(R^2 \approx 0.72$)は、車内支払い画面によって非常に予測可能である。対照的に、アプリベースのチップはランダムでモデル化が難しい(R^2 \approx 0.17$)。結論として、1つのユニバーサルモデルの構築は誤りであり、シンプソンのパラドックスにより、組み合わせモデルは平均的に正確に見えるが、特別なモデルを必要とする個々のタクシーカテゴリーのヒントを予測できないことを示す。

関連論文リスト

A Hitchhiker's Guide to Scaling Law Estimation [56.06982415792523]
スケーリング法則は、より少ないパラメータやより少ないトレーニングセットで訓練が容易なモデルから外挿することで、ターゲットとなる機械学習モデルの損失を予測する。我々は1000以上のスケーリング法則を推定し、新しいモデルファミリーにおけるスケーリング法則を推定するためのベストプラクティスを導出する。
論文参考訳（メタデータ） (2024-10-15T17:59:10Z)
Language models scale reliably with over-training and on downstream tasks [121.69867718185125]
スケーリング法則は、高価なトレーニング実行を引き出すための有用なガイドである。しかし、現在の研究と言語モデルがどのように訓練されているかには差がある。対照的に、スケーリング法則は主に推論における損失を予測するが、モデルは通常下流のタスクのパフォーマンスで比較される。
論文参考訳（メタデータ） (2024-03-13T13:54:00Z)
A Dynamical Model of Neural Scaling Laws [79.59705237659547]
ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
論文参考訳（メタデータ） (2024-02-02T01:41:38Z)
Evaluating the Determinants of Mode Choice Using Statistical and Machine Learning Techniques in the Indian Megacity of Bengaluru [1.8130068086063336]
本研究はバンガロール市の低所得層と低所得層に属する1350ドル世帯のデータセットを利用した。精度の面では、ランダムフォレストモデルは、他のすべてのモデルと比較して、トレーニングデータで0.788ドル、テストデータで0.605ドルと最高のパフォーマンスを示した。この研究は、特徴の重要性や個々の条件予測プロットのような近代的な解釈可能性技術を採用してきた。
論文参考訳（メタデータ） (2024-01-25T06:37:48Z)
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)
Surge Routing: Event-informed Multiagent Reinforcement Learning for Autonomous Rideshare [11.159056906971983]
本稿では,インターネットからのイベントデータを活用して需要急増を予測し,協調的なルーティングポリシを生成する,自律型タクシー群のための学習フレームワークを提案する。 i) イベント記述とレビューの形式でテキストイベント情報を使用してストリート交差点上でのイベント駆動型需要急増を予測する需要予測フレームワーク,(ii) 需要予測を活用してワンエージェント・アット・ア・タイム・ロールアウトを使用するスケーラブルなマルチエージェント強化学習フレームワークの2つを組み合わせてこれを実現している。
論文参考訳（メタデータ） (2023-07-05T20:13:01Z)
Understanding human mobility patterns in Chicago: an analysis of taxi data using clustering techniques [0.0]
シカゴ市をケーススタディとして、2016年にタクシーの乗車データを調べ、近所がどのように相互接続されているかを理解することを目標にしている。この分析は、近隣住民がタクシーを使って旅行している感覚を与え、新しい公共交通機関の開発に焦点をあてることを提案する。
論文参考訳（メタデータ） (2023-06-21T08:14:52Z)
Spuriosity Rankings: Sorting Data to Measure and Mitigate Biases [62.54519787811138]
本稿では,突発的手がかりに依存したモデルバイアスを簡易かつ効果的に測定・緩和する手法を提案する。我々は,解釈可能なネットワークの深部神経的特徴をベースとして,それらのクラス内の画像のランク付けを行う。以上の結果から,素早い特徴依存によるモデルバイアスは,モデルがどのようにトレーニングされたかよりも,モデルがトレーニングされていることの影響がはるかに大きいことが示唆された。
論文参考訳（メタデータ） (2022-12-05T23:15:43Z)
Secure Your Ride: Real-time Matching Success Rate Prediction for Passenger-Driver Pairs [24.5737193355862]
乗務員のMSRを正確に予測するマルチビューモデル(MV)を提案する。 MVは、乗客、ドライバー、旅行順、およびコンテキストの動的特徴間の相互作用を学習する。また,小都市の予測力を補うために,知識蒸留フレームワーク(KD)を設計する。
論文参考訳（メタデータ） (2021-09-14T15:41:13Z)
Exploring Sparse Expert Models and Beyond [51.90860155810848]
Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
論文参考訳（メタデータ） (2021-05-31T16:12:44Z)
A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文参考訳（メタデータ） (2020-10-27T17:56:14Z)

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。