論文の概要: JointMatch: A Unified Heterogeneous Graph Neural Solver for Large-Scale Ride-Sharing Matching

• arxiv url: http://arxiv.org/abs/2609.20200v1
• Date: Sat, 25 Jul 2026 04:11:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.633911
• Title: JointMatch: A Unified Heterogeneous Graph Neural Solver for Large-Scale Ride-Sharing Matching
• Title（参考訳）: JointMatch: 大規模ライドシェアリングマッチングのための統一な不均一グラフニューラルソルバー
• Abstract要約: 本稿では,単一グラフ上で要求ペアリングと車両割り当てを同時に処理する学習ベースのフレームワークを提案する。 ニューヨーク市のYellow Taxiのデータでは、このフレームワークは古典的なBlossomと、忠実に訓練された2段階のGNNベースラインの両方をすでに上回っている。 教師付きトレーニング段階は、残りの収益ギャップの大部分を閉じ、政策段階の微調整は、訓練されたモデルと実現された収益とを整合させる。
• 参考スコア（独自算出の注目度）: 9.305417960678357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ride-sharing platforms must continuously decide which open requests to bundle into shared trips and which idle vehicles should serve them. The dominant academic approach decomposes this into two sequential matching problems -- request pairing first, then vehicle assignment -- and applies a separate solver to each. This decomposition is convenient computationally but loses revenue and scales poorly because the first stage commits to ride bundles before the available vehicles are known. We propose JointMatch, a learning-based framework that handles request pairing and vehicle assignment together on a single graph. The graph is sparsified by spatial proximity so that its size grows linearly rather than quadratically with the number of vehicles and requests, and a graph neural network scores all candidate decisions in one forward pass. On the New York City Yellow Taxi data, the framework already exceeds both the classical Blossom heuristic and a faithfully-trained two-stage GNN baseline -- often by a wide margin -- and at city scale (fleet 10000) it runs more than $20\times$ faster per dispatch epoch than either. A supervised training stage closes most of the remaining revenue gap, and a policy-gradient fine-tune aligns the trained model with realised revenue.
• Abstract（参考訳）: ライドシェアリングプラットフォームは、どのオープンリクエストを共有トリップにバンドルするか、どのアイドルカーがそれらを提供するべきかを継続的に決めなければならない。 支配的な学術的アプローチでは、これを2つの逐次マッチング問題 – まずは要求ペアリング、次に車両割り当て – に分解し、それぞれに個別の解法を適用する。 この分解は計算に便利であるが、第1段階が利用可能な車両が知られる前にバンドルに乗ることをコミットするため、収益が減少し、スケールが低下する。 単一グラフ上で要求ペアリングと車両割り当てを処理する学習ベースのフレームワークであるJointMatchを提案する。 グラフは空間的近接により分散され、そのサイズは車両と要求の2乗ではなく直線的に増加し、グラフニューラルネットワークは1つの前方通過で全ての候補決定をスコアする。 ニューヨーク市のイエロータクシーのデータによると、このフレームワークはすでに古典的なブルーサム・ヒューリスティック(Blossom Heuristic)と、忠実に訓練された2段階のGNNベースライン(多くは広いマージン)を超越している。 教師付きトレーニング段階は、残りの収益ギャップの大部分を閉じ、政策段階の微調整は、訓練されたモデルと実現された収益とを整合させる。

関連論文リスト

• Cooperative Platoon Routing and Dispatching via Edge-Assisted Hybrid Quantum Optimization [1.856334276134661]
  本稿では,小隊対応車両ルーティングのためのエッジアシスト・クローズドループ評価パイプラインを開発する。 ロードサイドユニットは、ビデオからローカルトラフィックキネマティクスを推定し、セグメントレベルのフロー安定性を分類し、クローズギャップ調整が物理的に適切である道路セグメントのみに小隊報酬を発動する。 我々は、ニューヨーク州トロイの24時間顕微鏡SUMOシミュレーションとIBM Quantumハードウェアベンチマークを用いて、フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-08-01T08:35:27Z)
• A Novel Hybrid Heuristic-Reinforcement Learning Optimization Approach for a Class of Railcar Shunting Problems [3.7212626924366123]
  鉄道車両の絞首刑は貨物鉄道の中核的な計画課題である。 両側の線路はキュー構造のように機能し、一方の端からレールカーを追加して反対側から除去することができる。 本稿では,鉄道固有のソリューションアプローチと強化学習手法を統合するハイブリッド・ヒューリスティック・強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-05T17:49:17Z)
• Fair collaborative vehicle routing: A deep multi-agent reinforcement learning approach [49.00137468773683]
  協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。 従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。 我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-10-26T15:42:29Z)
• 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)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• 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)
• Joint predictions of multi-modal ride-hailing demands: a deep multi-task multigraph learning-based approach [64.18639899347822]
  本稿では、複数のマルチグラフ畳み込み(MGC)ネットワークを組み合わせて、異なるサービスモードの要求を予測する深層マルチタスクマルチグラフ学習手法を提案する。 提案手法は,様々な配車モードの予測精度において,ベンチマークアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T07:10:50Z)
• Modeling and solving the multimodal car- and ride-sharing problem [0.0]
  マルチモーダルカー・ライドシェアリング問題(MMCRP)を紹介する。 車両のプールは一連の乗車要求をカバーするために使用され、発見されていない要求は他の交通手段に割り当てられる。 カラム生成に基づく2層分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-15T09:43:55Z)

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。