論文の概要: Dynamic multi-agent deep reinforcement learning-based pricing and incentivization approach in multimodal transportation networks
- arxiv url: http://arxiv.org/abs/2606.23257v1
- Date: Mon, 22 Jun 2026 12:39:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:58:28.426578
- Title: Dynamic multi-agent deep reinforcement learning-based pricing and incentivization approach in multimodal transportation networks
- Title（参考訳）: マルチモーダルトランスポートネットワークにおける動的マルチエージェント深層強化学習に基づく価格とインセンティブ化アプローチ
- Authors: Khadidja Kadem, Mostafa Ameli, Carlos Lima Azevedo, Mahdi Zargayouna, Latifa Oukhellou,
- Abstract要約: 本稿では,SMSと公共交通機関の動的価格設定とインセンティブ化戦略を通じてインタラクションをキャプチャする多エージェント深層強化学習フレームワークを提案する。
3時間にわたるピーク期間の数値実験により、動的なインセンティブ化は混雑ピークを効果的に低減し、通勤者のコストを約20%削減し、排出を約10%削減し、公共交通機関の利益をほぼ倍増させ、より公平な利益分配を支援することを示した。
- 参考スコア（独自算出の注目度）: 2.705553857706297
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In multimodal transportation systems, shared mobility services (SMSs) are promoted for their potential to enhance flexibility and reduce congestion. However, SMS demand is often concentrated in high-density areas, which can limit the effectiveness and accessibility for various commuter groups. This uneven integration challenges transportation system efficiency, especially in terms of emissions and spatial equity. Addressing these issues requires coordination among multiple stakeholders whose objectives frequently conflict. Whereas authorities aim to ensure sustainable and equitable mobility, SMS providers focus on revenue maximization, and travelers seek to minimize personal travel costs. This paper proposes a multi-agent deep reinforcement learning framework that captures these interactions through dynamic pricing and incentivization strategies for SMSs and public transport. The framework integrates two reinforcement learning (RL) agents: (i) a public authority that allocates spatio-temporal public transport incentives to improve equity, emissions, and efficiency, and (ii) an SMS provider that dynamically adjusts fares to optimize revenue. The agents interact with the transportation system and adapt strategies in response to evolving demand, congestion, and network conditions. Numerical experiments conducted over a three-hour morning peak period show that dynamic incentivization effectively reduces congestion peaks, lowers commuters' costs by around 20% and emissions by approximately 10%, while nearly doubling public transport profit and supporting a more equitable distribution of benefits. When combined with dynamic SMS pricing, the two RL agents demonstrate the ability to balance conflicting objectives between private providers and public authorities. The proposed approach provides a decision-support tool for sustainable and equitable multimodal mobility planning.
- Abstract（参考訳）: マルチモーダル交通システムでは、柔軟性を高め、混雑を減らすために、共有モビリティサービス(SMS)が推進される。
しかし、SMSの需要は高密度領域に集中しており、様々な通勤グループの有効性とアクセシビリティを抑えることができる。
この不均一な統合は輸送システムの効率、特に排出と空間的エクイティに挑戦する。
これらの問題に対処するには、目的が頻繁に矛盾する複数の利害関係者間の調整が必要である。
当局は持続可能なモビリティを確保することを目指しているが、SMSプロバイダーは収益の最大化に重点を置いており、旅行者は個人旅行のコストを最小化しようとしている。
本稿では、SMSや公共交通機関の動的な価格設定とインセンティブ化戦略を通じて、これらのインタラクションをキャプチャするマルチエージェント深層強化学習フレームワークを提案する。
このフレームワークは2つの強化学習(RL)エージェントを統合している。
一 株式、排出及び効率を改善するために時空間公共交通機関の割当を行う公務員
(二)収益を最適化するために運賃を動的に調整するSMSプロバイダー。
エージェントは輸送システムと対話し、需要の増大、渋滞、ネットワークの状態に応じて戦略を適用する。
3時間にわたるピーク期間の数値実験により、動的なインセンティブ化は混雑ピークを効果的に低減し、通勤者のコストを約20%削減し、排出を約10%削減し、公共交通機関の利益をほぼ倍増させ、より公平な利益分配を支援することを示した。
動的なSMS料金と組み合わせることで、2つのRLエージェントは、プライベートプロバイダと公共機関間の競合する目的のバランスをとる能力を示す。
提案手法は,持続的かつ公平なマルチモーダルモビリティ計画のための意思決定支援ツールを提供する。
関連論文リスト
- Competitive Multi-Operator Reinforcement Learning for Joint Pricing and Fleet Rebalancing in AMoD Systems [6.547090882667874]
マルチオペレータ強化学習フレームワークを導入することで,競争が政策学習に与える影響について検討する。
複数の都市の実世界のデータを用いた実験は、競争が学習した振る舞いを根本的に変え、価格を下げ、艦隊の配置パターンを明確にすることを示した。
論文 参考訳（メタデータ） (2026-03-05T09:44:24Z) - Multi-Agent Reinforcement Learning in Intelligent Transportation Systems: A Comprehensive Survey [1.8899300124593648]
本稿では、ITSにおけるMARL(Multi Agent Reinforcement Learning)の適用状況について調査する。
MARLは、分散エージェントが最適な戦略を共同で学習できるようにすることによって、これらの課題に対処するための有望なパラダイムを提供する。
我々はMARLアプローチを調整モデルと学習アルゴリズム、価値ベース、ポリシーベース、アクター評論家、コミュニケーション強化フレームワークに基づいて分類する構造化分類を導入する。
論文 参考訳（メタデータ） (2025-08-27T23:04:34Z) - CoDriveVLM: VLM-Enhanced Urban Cooperative Dispatching and Motion Planning for Future Autonomous Mobility on Demand Systems [17.765742276150565]
CoDriveVLMは、将来の自律型モビリティ・オン・デマンド(AMoD)システムのために、高忠実な同時ディスパッチと協調動作計画を統合する新しいフレームワークである。
提案手法は,視覚言語モデル(VLM)を用いて多モード情報処理を強化し,包括的ディスパッチと衝突リスク評価を可能にする。
論文 参考訳（メタデータ） (2025-01-10T17:44:57Z) - A methodological framework for Resilience as a Service (RaaS) in multimodal urban transportation networks [0.0]
本研究は,サービス戦略としてのレジリエンスを通じて公共交通の混乱を管理することを目的としている。
効率よく資源を割り当て、オペレーターと乗客のコストを最小限に抑える最適化モデルを開発する。
提案手法はイル・ド・フランス、パリ、郊外のケーススタディに適用された。
論文 参考訳（メタデータ） (2024-08-30T12:22:34Z) - Decentralized Multimedia Data Sharing in IoV: A Learning-based Equilibrium of Supply and Demand [57.82021900505197]
インターネット・オブ・ビークルズ(IoV)は、道路の安全性を高め、交通渋滞を軽減し、インフォテインメントアプリケーションを通じてユーザーエクスペリエンスを向上させることにより、交通システムを変革する大きな可能性を秘めている。
分散データ共有は、セキュリティ、プライバシ、信頼性を改善し、IoVにおけるインフォテインメントデータの共有を容易にする。
市場における需給バランスを学習するための多知能強化学習に基づく分散型データ共有インセンティブ機構を提案する。
論文 参考訳（メタデータ） (2024-03-29T14:58:28Z) - 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) - Value Function is All You Need: A Unified Learning Framework for Ride
Hailing Platforms [57.21078336887961]
DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。
両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
論文 参考訳（メタデータ） (2021-05-18T19:22:24Z) - Flatland Competition 2020: MAPF and MARL for Efficient Train
Coordination on a Grid World [49.80905654161763]
車両再スケジュール問題(vrsp)の解法開発を目的としたフラットランドコンペティション
VRSPは、交通ネットワークにおける旅行のスケジュールと、故障が発生した場合の車両の再スケジュールに関するものである。
現代の鉄道網の複雑化は、交通の動的リアルタイムスケジューリングを事実上不可能にします。
論文 参考訳（メタデータ） (2021-03-30T17:13:29Z) - PassGoodPool: Joint Passengers and Goods Fleet Management with
Reinforcement Learning aided Pricing, Matching, and Route Planning [29.73314892749729]
本稿では,商品と旅客輸送を組み合わせた需要対応型艦隊管理フレームワークを提案する。
提案手法は,分散システムの成長に伴う計算コストを最小限に抑えるため,各車両内で独立して展開可能である。
論文 参考訳（メタデータ） (2020-11-17T23:15:03Z) - Local Differential Privacy based Federated Learning for Internet of
Things [72.83684013377433]
Internet of Vehicles (IoV)は、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートする。
これらのアプリケーションのユーザは、ユーザの報告したトラフィック情報に基づいて機械学習モデルをトレーニングするクラウドサーバに、リアルタイムのトラフィック情報を報告する。
本稿では,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーション学習とローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
論文 参考訳（メタデータ） (2020-04-19T14:03:10Z)
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。