論文の概要: Regime-Calibrated Demand Priors for Ride-Hailing Fleet Dispatch and Repositioning

• arxiv url: http://arxiv.org/abs/2604.03883v1
• Date: Sat, 04 Apr 2026 22:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.813107
• Title: Regime-Calibrated Demand Priors for Ride-Hailing Fleet Dispatch and Repositioning
• Title（参考訳）: 配車用フリート・ディスパッチ・リポジションの規制緩和前兆
• Abstract要約: ライドシェアリングのディスパッチは、日時、曜日、季節、特別なイベントによって大きく異なる需要パターンを予想する必要がある。 本稿では,過去の旅行データを需要レジームに分割し,現在ある運用期間を類似した歴史アナログに適合させる制度校正手法を提案する。 アブレーションでは、分布のみのメートル法サブセットが最強の平均ウェイト還元を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective ride-hailing dispatch requires anticipating demand patterns that vary substantially across time-of-day, day-of-week, season, and special events. We propose a regime-calibrated approach that (i) segments historical trip data into demand regimes, (ii) matches the current operating period to the most similar historical analogues via a similarity ensemble combining Kolmogorov-Smirnov distance, Wasserstein-1 distance, feature distance, variance ratio, event pattern similarity, and temporal proximity, and (iii) uses the resulting calibrated demand prior to drive both an LP-based fleet repositioning policy and batch dispatch with Hungarian matching. In ablation, a distributional-only metric subset achieves the strongest mean-wait reduction, while the full ensemble is retained as a robustness-oriented default that preserves calendar and event context. Evaluated on 5.2 million NYC TLC trips across 8 diverse scenarios (winter/summer, weekday/weekend/holiday, morning/evening/night) with 5 random seeds each, our method reduces mean rider wait times by 31.1% (bootstrap 95% CI: [26.5, 36.6]; Friedman chi-squared = 80.0, p = 4.25e-18; Cohen's d = 7.5-29.9). P95 wait drops 37.6% and the Gini coefficient of wait times improves from 0.441 to 0.409. The two contributions compose multiplicatively: calibration provides 16.9% reduction relative to the replay baseline; LP repositioning adds a further 15.5%. The approach requires no training, is deterministic and explainable, generalizes to Chicago (23.3% wait reduction using the NYC-built regime library without retraining), and is robust across fleet sizes (32-47% improvement for 0.5x-2.0x fleet scaling). Code is available at https://github.com/IndarKarhana/regime-calibrated-dispatch.
• Abstract（参考訳）: 効果的な配車ディスパッチは、日時、曜日、季節、特別なイベントで大きく変化する需要パターンを予測する必要がある。 我々は、レギュラーキャリブレーションによるアプローチを提案する。 一 歴史的旅行データを需要体制に区分すること。 (II)Kolmogorov-Smirnov距離, Wasserstein-1距離, 特徴距離, 分散比, 事象パターン類似性, 時間的近接性を組み合わせた類似性アンサンブルにより, 現行の動作期間と最も類似した歴史的類似物とを一致させる。 (iii)LPベースの艦隊配置方針とハンガリーのマッチングによるバッチディスパッチを駆動する前に、その結果のキャリブレーションされた需要を使用する。 アブレーションでは、分布のみのメートル法サブセットが最強の平均待ち時間削減を達成する一方、フルアンサンブルはカレンダーとイベントコンテキストを保存する堅牢性指向のデフォルトとして保持される。 5つのランダムシードを持つ8つのシナリオ(ウィンター/サマー、ウィークデイ/ウィークデイ/ウィークエンド/ホリデー/ホリデー/夜)にわたる5200万回のニューヨーク市TLC旅行の評価を行い、平均ライダー待ち時間を31.1%削減した(ブートストラップ95% CI: [26.5, 36.6];Friedman chi-squared = 80.0, p = 4.25e-18; Cohen's d = 7.5-29.9)。 P95の待ち時間は37.6%減少し、待ち時間のジニ係数は0.441から0.409に改善される。 リプレイベースラインに対する校正は16.9%、LP再配置は15.5%である。 このアプローチはトレーニングを必要とせず、決定論的かつ説明可能であり、シカゴに一般化し(23.3%は再訓練なしでニューヨークで構築されたレギュレーションライブラリーで待機する)、艦隊規模で堅牢である(0.5x-2.0xのスケーリングでは32-47%が改善)。 コードはhttps://github.com/IndarKarhana/regime-calibrated-dispatch.comで公開されている。

関連論文リスト

• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• Rollcast: Proper-Score Gated Rolling Anchors for Adaptive Probabilistic Time-Series Forecasting [0.0]
  ローリングは、中央値、極端値、回帰エンドポイント、および量子化が候補予測位置を定義することを意味する。 状態依存ソフトマックスゲートは、負の対数予測密度を最小化してアンカー確率を学習する。 再帰シミュレーションは、結果の混合を複数の予測水平線上で伝播する。
  論文  参考訳（メタデータ） (2026-09-03T18:50:29Z)
• Schedule-Informed Temporal Fusion Forecasting of Hourly Airport Security-Checkpoint Throughput [8.291540278798527]
  本研究では、既知のフライトスケジュールを時間的チェックポイントスループットを予測するための時間的整合信号に変換するフレームワークを開発する。 先進的な人員削減、車線開放、複数日間のチェックポイント計画をサポートしている。
  論文  参考訳（メタデータ） (2026-08-03T23:28:04Z)
• Accuracy-Preserving Stability Regularization for Large-Scale Retail Demand Forecasting [6.830447377605494]
  本研究では,連続したシリーズ内移動におけるトレーニングタイムのペナルティが,ポイント精度を大きく変えることなく水平方向予測パスの安定性を向上させることができるかどうかを問う。 このペナルティは、最近の需要の埋め込みとカレンダー、価格、階層、アイテム、ストア機能を組み合わせた時間構造パイプラインで評価される。 ポストホック指数平滑化は、より低い原運動を実現するが、RMSEコストが増大し、トレーニング時間正規化はよりポイント精度を維持し、正規化安定性下で好適に機能する。
  論文  参考訳（メタデータ） (2026-07-14T23:31:00Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• Report the Floor: A Training-Free Conformal Interval Is a Mandatory Baseline for Probabilistic Time-Series Forecasting [0.0]
  有限個のスプリット・コンフォーマルな残留量子化でラップされた最後の値点予測値である最も単純な共形間隔は、その近距離不在よりもはるかに強い基底線であることを示す。 この ConformalNaive インターバルは、単純値量子基底線を決定的に破る。 ConformalNaive+は、一直線で、トレーニング不要で、水平順応性のあるセレクタで、各地平線上の2つの相補的なフロアを改善できる。
  論文  参考訳（メタデータ） (2026-06-08T13:30:18Z)
• Supervised Dimensionality Reduction Revisited: Why LDA on Frozen CNN Features Deserves a Second Look [0.0]
  ライドシェアリングのディスパッチは、日時、曜日、季節、特別なイベントによって大きく異なる需要パターンを予想する必要がある。 本稿では,過去の旅行データを需要レジームに分割し,現在ある運用期間を類似した歴史アナログに適合させる制度校正手法を提案する。 このアプローチを,8つのシナリオにわたる520万ニューヨークTLCトリップで評価した。
  論文  参考訳（メタデータ） (2026-04-05T01:39:28Z)
• Deep Time-series Forecasting Needs Kernelized Moment Balancing [56.619037429652984]
  深層時系列予測は、予測と地上の真実の分布を整合させることを目的とした分布バランス問題として定式化することができる。 我々は、カーネル化されたモーメントバランス(KMB-DF)による直接予測を提案する。 複数のモデルとデータセットにわたる実験により、KMB-DFは予測精度を一貫して改善し、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-31T13:20:18Z)
• Scalable Transit Delay Prediction at City Scale: A Systematic Approach with Multi-Resolution Feature Engineering and Deep Learning [1.065661841579261]
  既存の遅延予測システムは、手作りの機能に依存し、再利用可能なアーキテクチャを設計する方法についてはほとんどガイダンスを提供していない。 本稿では,マルチレゾリューション機能工学,次元減少,深層学習を組み合わせた都市規模の予測パイプラインを提案する。 クラスタ認識機能を備えたグローバルLSTMは、精度と効率の最良のトレードオフを実現し、トランスフォーマーモデルを1852%から52%向上させる。
  論文  参考訳（メタデータ） (2026-01-26T14:30:50Z)
• Temporal Zoom Networks: Distance Regression and Continuous Depth for Efficient Action Localization [6.908972852063454]
  時間的行動の局所化は、正確な境界検出と計算効率の両方を必要とする。 我々は、境界距離回帰(BDR)と適応時間制限(ATR)という2つの補完的なイノベーションを通じてこの問題に対処する。 THUMOS14では、ActionFormer++ (55.7% mAP@0.7 at 235G) よりも36%少ないFLOPを用いて、151GのFLOPで56.5% mAP@0.7を達成する。
  論文  参考訳（メタデータ） (2025-11-06T00:41:54Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Temporal Conformal Prediction (TCP): A Distribution-Free Statistical and Machine Learning Framework for Adaptive Risk Forecasting [0.0]
  TCPは、非定常時系列において、よく校正された予測間隔を構築するための分散フリーフレームワークである。 TCPは、ローリングウィンドウ上に分割等角キャリブレーション層を持つ現代の量子予測器を結合する。 危機風の可視化では、TCP/TCP-RMが膨張し、すぐに間隔帯をボラティリティのスパイクと後退として収縮する。
  論文  参考訳（メタデータ） (2025-07-07T20:44:31Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Multi-Path Long-Term Vessel Trajectories Forecasting with Probabilistic Feature Fusion for Problem Shifting [8.970625329763559]
  本稿では,AIS(Automatic Identification System, 自動識別システム)データに基づく多経路長期船体軌道予測の精度向上を課題とする。 我々は,1～3時間のAISデータを入力として,深層自動エンコーダモデルとフェーズド・フレームワーク・アプローチを開発した。 提案モデルでは, 平均誤差と中央値誤差をそれぞれ11km, 6kmと精度良く予測できることを実証した。
  論文  参考訳（メタデータ） (2023-10-29T09:15:22Z)
• Integral Continual Learning Along the Tangent Vector Field of Tasks [112.02761912526734]
  本稿では,特殊データセットからの情報を段階的に組み込んだ軽量連続学習手法を提案する。 ソースデータセットの0.4%まで小さく、小さな固定サイズのメモリバッファを保持しており、単純な再サンプリングによって更新される。 提案手法は,異なるデータセットに対して,様々なバッファサイズで高い性能を実現する。
  論文  参考訳（メタデータ） (2022-11-23T16:49:26Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。