論文の概要: D$^3$-Subsidy: Online and Sequential Driver Subsidy Decision-Making for Large-Scale Ride-Hailing Market

• arxiv url: http://arxiv.org/abs/2605.20036v1
• Date: Tue, 19 May 2026 15:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.504716
• Title: D$^3$-Subsidy: Online and Sequential Driver Subsidy Decision-Making for Large-Scale Ride-Hailing Market
• Title（参考訳）: D$^3$-Subsidy:大規模配車市場向けオンラインおよびシークエンシャルドライバ・サブシディ意思決定
• Authors: Taijie Chen, Rui Su, Siyuan Feng, Laoming Zhang, Hongyang Zhang, Haijiao Wang, Zhaofeng Ma, Jintao Ke,
• Abstract要約: D$3$-Subsidy(Dynamic Driver-side Diffusion-based Subsidy)は、都市全体の補助金制御をデプロイするための階層的な拡散ベースのフレームワークである。 D$3$-Subsidyは、上限コンプライアンスを改善しながらtextttRides と textttGMV を改善し、実世界の A/B テストでかなりの上昇を確認した。
• 参考スコア（独自算出の注目度）: 12.01027336108153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ride-hailing platforms like DiDi Chuxing operate in highly dynamic environments where balancing driver supply and passenger demand is critical. Although driver-side subsidies serve as a primary lever to align these forces and improve key KPIs like completed rides (\texttt{Rides}) and gross merchandise value (\texttt{GMV}), optimizing them in production requires simultaneously meeting three constraints: (i) responsiveness to stochastic shocks, (ii) strict subsidy-rate caps, and (iii) low-latency execution at city scale. These requirements rule out expensive per-order optimization, calling for a forward-looking, constraint-aware city-level controller for online sequential decision making. To meet these requirements, we introduce D$^3$-Subsidy (Dynamic Driver-side Diffusion-based Subsidy), a hierarchical diffusion-based framework for deployable city-wide subsidy control. To bridge the train-inference gap, D$^3$-Subsidy employs a prefix-conditioned diffusion model that samples plausible future trajectories from immutable historical observations, ensuring the training protocol aligns with the fixed-history nature of online deployment. These generated plans are then decoded by a context-conditioned inverse module into low-dimensional city-level control signals. For scalable execution, we bridge the gap between city-level planning and fine-grained dispatch via a Lagrangian-dual-derived mapping, which embeds subsidy-rate caps directly into order-driver incentives without iterative optimization. Additionally, a multi-city pretraining strategy with parameter-efficient fine-tuning enables robust transfer across heterogeneous cities. Extensive offline evaluations demonstrate that D$^3$-Subsidy improves \texttt{Rides} and \texttt{GMV} while enhancing cap compliance, and a real-world A/B test confirms significant uplift while keeping budget-related violation metrics within operational thresholds.
• Abstract（参考訳）: DiDi Chuxingのようなライドシェアリングプラットフォームは、ドライバーの供給と乗客の需要のバランスが不可欠である非常にダイナミックな環境で運用されている。 ドライバーサイドの補助金は、これらの力を調整し、完了した乗車(\texttt{Rides})や総商品価値(\texttt{GMV})のようなキーKPIを改善するための主要なレバーとして機能するが、生産時にそれらを最適化するには3つの制約を同時に満たす必要がある。 i)確率的ショックに対する応答性 (二)厳格な助成金の冠、及び (iii)都市規模での低レイテンシ実行。 これらの要件は、オンラインのシーケンシャルな意思決定のために、前方の制約を意識した都市レベルのコントローラを要求する、注文毎の高価な最適化を除外する。 これらの要件を満たすため,D$^3$-Subsidy (Dynamic Driver-side Diffusion-based Subsidy)を導入する。 D$^3$-Subsidyは、列車と列車の干渉のギャップを埋めるために、変更不可能な歴史的観測から可視な将来の軌跡をサンプリングするプレフィックス条件付き拡散モデルを用いて、トレーニングプロトコルがオンライン展開の固定歴史特性と整合することを保証する。 これらの生成した計画は、コンテキスト条件の逆加群によって低次元の都市レベルの制御信号にデコードされる。 スケーラブルな実行のために、都市レベルの計画とラグランジアン双対マッピングによるきめ細かい派遣のギャップを埋める。 さらに、パラメータ効率の良い微調整による多都市事前学習戦略により、異種都市間のロバストな移動が可能となる。 大規模なオフライン評価では、D$^3$-Subsidyは上限コンプライアンスを向上しつつ \texttt{Rides} と \texttt{GMV} を改善し、実際のA/Bテストでは、予算関連の違反指標を運用しきい値内に保持しながら、大幅な上昇を確認している。

関連論文リスト

• CLAP: Contrastive Latent-space Prompt Optimization for End-to-end Autonomous Driving [12.890001628695215]
  CLAPは,ロードブロックごとのソフトプロンプトで凍結したVLA駆動モデルを拡張した位置認識適応フレームワークである。 様々な最先端のVLAバックボーンを持つNAVSIMベンチマークでは、CLAPは通常のフレームに回帰することなく、困難なシナリオ計画エラーを24%削減する。
  論文  参考訳（メタデータ） (2026-05-17T06:45:53Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• Token Management in Multi-Tenant AI Inference Platforms [0.0]
  マルチテナントAI推論プラットフォームは、可変要求下でのサービスレベルの保証とリソース利用のバランスをとる必要がある。 推論ネイティブユニットで表現された明示的な権利としてキャパシティを表すコントロールプレーン抽象化であるEmphtoken poolsを導入する。
  論文  参考訳（メタデータ） (2026-02-27T22:44:09Z)
• Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
  マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。 分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。 本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:39:10Z)
• Constrained Dynamic Gaussian Splatting [47.982650444869336]
  Constrained Dynamic Gaussian Splatting (CDGS)は、動的シーン再構成を予算制約付き最適化問題として定式化する新しいフレームワークである。 本報告では,CDGSは,最先端手法に比べて3倍以上の圧縮を実現し,キャパシティの限界下で最適なレンダリング品質を提供することを示す。
  論文  参考訳（メタデータ） (2026-02-03T13:53:29Z)
• Single Agent Robust Deep Reinforcement Learning for Bus Fleet Control [9.910562011343009]
  バスの群れは交通と乗客の需要のために都市交通にとって困難である。 バス保持制御のための単エージェント強化学習フレームワークを提案する。 修正されたアクター・クリティは,ベンチマークよりも安定かつ優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-08-28T13:47:40Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Efficient Planning in a Compact Latent Action Space [42.40869357513842]
  Trajectory Autoencoding Planner (TAP) は、高動作次元にスケールする計画ベースシーケンスモデリングRL法である。 トラジェクトリ変換器の複雑さ$O(D3)$とは異なり、TAPは状態-作用次元に関する計算複雑性を計画する定価$O(C)$を楽しんでいる。
  論文  参考訳（メタデータ） (2022-08-22T13:19:02Z)

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。