論文の概要: Unequal Trips, Unequal Places: Diagnosing and Mitigating Delay Inequity in Autonomous Vehicle Fleet Coordination

• arxiv url: http://arxiv.org/abs/2607.24336v1
• Date: Mon, 27 Jul 2026 12:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.413182
• Title: Unequal Trips, Unequal Places: Diagnosing and Mitigating Delay Inequity in Autonomous Vehicle Fleet Coordination
• Title（参考訳）: 不等式・不等式:自動車両艦隊調整における遅延不等式診断と緩和
• Abstract要約: 都市規模の自動運転車隊のコーディネーターは通常、総走行時間に最適化されている。 我々は、マンハッタン、シカゴ、サンフランシスコの3つの都市道路ネットワークおよびタクシー需要データセットの流通監査を行う。 本報告では, 渋滞応答型リルーチンにより, フルフローのリプランを伴わずに, 性能とエクイティが向上することを示す。
• 参考スコア（独自算出の注目度）: 12.073741768772969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: City-scale autonomous vehicle fleet coordinators are typically optimized for aggregate travel time, yet fleet averages conceal how delay is distributed across trips and regions. We conduct a distributional audit on three real-city road-network and taxi-demand datasets from Manhattan, Chicago, and San Francisco. The audit reveals pervasive trip-length inequity whose direction depends on the city and coordinator. After accounting for trip length, spatial inequity becomes more pronounced as demand grows and is consistently stronger when trips are grouped by origin rather than destination. These findings motivate SPatially Aware RErouting (SPARE), a budgeted online coordination framework that assigns limited replanning capacity to delayed vehicles and redirects them using recently observed waiting pressure. SPARE provides a per-review decision guarantee and explicitly bounds online route updates. Experiments on all three datasets against six representative baselines show that SPARE delivers the strongest joint efficiency-fairness performance while retaining city-scale scalability. The results demonstrate that bounded congestion-responsive rerouting improves performance and equity without full-fleet replanning.
• Abstract（参考訳）: 都市規模の自律走行車両調整装置は通常、総走行時間に最適化されているが、車両平均値は、旅行や地域間での遅延の分布を隠蔽している。 我々は、マンハッタン、シカゴ、サンフランシスコの3つの都市道路ネットワークおよびタクシー需要データセットの流通監査を行う。 監査は、市やコーディネーターに依存している広範にわたる旅行距離の不平等を明らかにする。 旅行の長さを考慮すると、需要が増加するにつれて空間的不平等がより顕著になり、旅行が目的地ではなく目的地によってグループ化されるときは常に強くなる。 SPARE(SPatially Aware Rerouting)は、遅れた車両に限られたリプラン能力を与え、最近観測された待機圧力を使ってリダイレクトするオンライン調整フレームワークである。 SPAREはレビュー毎の決定保証を提供し、オンラインルートのアップデートを明示的にバウンドする。 これら3つのデータセットを6つのベースラインに対して実験した結果、SPAREは都市規模でのスケーラビリティを維持しながら、最強のジョイント効率・フェアネス性能を提供することが示された。 以上の結果から, 渋滞応答性に富んだリルーチンは, フルフローのリプランを伴わずに, 性能とエクイティの向上を図っている。

関連論文リスト

• UTP-Bench: Uncertainty-aware Travel Planning Benchmark [8.15237621583531]
  本稿では,不確実性を考慮した旅行計画のための大規模ベンチマークであるUPP-Benchを紹介する。 このデータセットは、インドの504都市にまたがる現実世界の旅行データを統合する。 本稿では,3つの評価指標,すなわち Buffer Adequacy Score (BAS), Crowd-Aware Timing Score (CATS), Transport Delay absorption Score (TDAS)を提案する。
  論文  参考訳（メタデータ） (2026-09-02T10:42:18Z)
• Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
  シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。 擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。 本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
  論文  参考訳（メタデータ） (2026-07-08T18:23:48Z)
• Selective Ambulance Dispatch Under Contextual Travel-Time Uncertainty [16.225780811704656]
  アンバランス・ディスパッチ(英語: Ambulance dispatch)は、時間外停止(OHCA)において重要であり、派遣者は艦隊の能力に制限のあるタイムリーな到着のバランスをとる。 我々は,プライマリパスとセカンダリパスがしきい値を超えた場合にのみ,第2救急車を送付するI(Intelligent Dual dispatch of Emergency AmbuLances)を提案する。
  論文  参考訳（メタデータ） (2026-05-22T08:46:21Z)
• D$^3$-Subsidy: Online and Sequential Driver Subsidy Decision-Making for Large-Scale Ride-Hailing Market [13.613354145103656]
  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。
  論文  参考訳（メタデータ） (2026-05-19T15:55:55Z)
• 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)
• ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving [44.008287454538596]
  視覚言語モデル(VLM)は、クロスモーダルな先行とコモンセンス推論を導入することで、このパラダイムを豊かにする。 現在のVLMベースのプランナは、(i) 個別のテキスト推論と継続的制御のミスマッチ、(ii) 自己回帰的連鎖のデコーディングからの高い遅延、(iii) リアルタイムデプロイメントを制限する非効率または非因果的なプランナである。 テキストから潜在空間へ推論を転送し,それを階層的並列軌道デコーダで結合する統合視覚言語アクションフレームワークColaVLAを提案する。
  論文  参考訳（メタデータ） (2025-12-28T14:06:37Z)
• Exploring Dissatisfaction in Bus Route Reduction through LLM-Calibrated Agent-Based Modeling [0.0]
  本研究では,大規模言語モデル(LLM)を用いたエージェントベースモデリング(ABM)アプローチを用いる。 北京の平安地区のICカードデータを用いて、LSMの校正されたABMは、旅行時間、待ち時間、移動時間、混雑時間に関連する乗客の感度パラメータを推定した。 その結果,バスネットワークの構造的構成は,容量や運用要因よりもシステムの安定性に強い影響を与えることがわかった。
  論文  参考訳（メタデータ） (2025-10-30T05:59:48Z)
• Scalable Ride-Sourcing Vehicle Rebalancing with Service Accessibility Guarantee: A Constrained Mean-Field Reinforcement Learning Approach [42.070187224580344]
  連続状態平均場制御(MFC)と平均場強化学習(MFRL)モデルを導入する。 MFCとMFRLは、個々の車両ではなく、車両分布との相互作用を通じて各車両の挙動をモデル化することで、スケーラブルなソリューションを提供する。 我々のアプローチは数万台の車両にスケールし、トレーニング時間は1つの線形プログラミングリバランスの決定時間に匹敵する。
  論文  参考訳（メタデータ） (2025-03-31T15:00:11Z)
• 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)
• Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
  急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。 本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。 CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
  論文  参考訳（メタデータ） (2024-06-14T12:57:17Z)
• ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
  ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2024-04-22T03:35:19Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• 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)

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。