論文の概要: Regulating Autonomous Mobility-on-Demand Operators with Fixed and Adaptive Penalties: A Multi-Agent Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2611.07122v1
- Date: Wed, 04 Nov 2026 20:38:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.447541
- Title: Regulating Autonomous Mobility-on-Demand Operators with Fixed and Adaptive Penalties: A Multi-Agent Reinforcement Learning Approach
- Title(参考訳): 固定的かつ適応的な罰則を用いた自律移動型演算子制御:多エージェント強化学習アプローチ
- Abstract要約: 我々は,AMoDオペレータのペナルティに基づく規制が,急激な価格設定を制限し,地域サービスの可用性を向上させる方法について検討する。
現実のマンハッタンのデータによる実験では、固定的な急騰価格のペナルティにより、過剰な価格に直面した旅行者のシェアが22%から1%に減少した。
地域サービスの可用性のために、動的規制は、同じ平均強度の固定的な罰則に対して、規制当局の報酬を最大15.6%改善する。
- 参考スコア(独自算出の注目度): 4.688912102948748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Profit-maximizing Autonomous Mobility-on-Demand (AMoD) operators may exploit consumer surplus through excessive prices and underserve less profitable regions by relocating vehicles away from them. We study how penalty-based regulation of an AMoD operator in a multimodal mobility system can limit surge pricing and improve regional service availability. We model regulation as an outer control loop that acts on a learning-based operator. Static regulation with fixed penalties is formulated as a Markov Decision Process for an operator that jointly controls pricing and rebalancing, and dynamic regulation as a Partially Observable Stochastic Game in which a regulator periodically adjusts region-specific penalties in closed loop. Operator and regulator policies are learned with graph-based multi-agent reinforcement learning. In experiments with real-world Manhattan data, fixed surge pricing penalties reduce the share of travelers facing excessive prices from 22% to 1%. For regional service availability, dynamic regulation improves the regulator's reward by up to 15.6% over fixed penalties of equal mean intensity. The gains in service availability are strongest when spare fleet capacity exists, whereas service deficits persist in peak periods with highly utilized fleets. The learned regulator policy responds by reducing penalties where limited fleet capacity restricts compliance. The results identify trade-offs between regulatory targets, operator profitability, and traveler utility.
- Abstract(参考訳): 利益を最大化する自律型モビリティ・オン・デマンド(AMoD)オペレーターは、過剰な価格を通じて消費者の余剰を悪用し、車両を移動させることによって利益の少ない地域を過小評価することができる。
マルチモーダルモビリティシステムにおけるAMoDオペレータのペナルティに基づく規制は,サージ価格を制限し,地域サービスの可用性を向上させることができるかを検討する。
我々は、学習に基づくオペレーターに作用する外部制御ループとして規制をモデル化する。
固定された罰則による静的な規制は、価格と再バランスを共同で制御する演算子のマルコフ決定過程として定式化され、動的規制は、規制官が周期的に閉ループ内の地域固有の罰則を調節する部分観測可能な確率ゲームとして定義される。
演算子と規制ポリシは,グラフに基づくマルチエージェント強化学習によって学習される。
現実のマンハッタンのデータによる実験では、固定的な急上昇価格のペナルティにより、過剰な価格に直面する旅行者のシェアが22%から1%に減少する。
地域サービスの可用性のために、動的規制は、同じ平均強度の固定的な罰則に対して、規制当局の報酬を最大15.6%改善する。
予備の艦隊能力が存在する場合、サービス可用性の上昇は最も強く、一方、サービス不足は高度に活用された艦隊のピーク期間に持続する。
学習された規制政策は、制限された艦隊能力がコンプライアンスを規制する罰則を減らすことで対応する。
その結果,規制対象,運用者利益率,旅行者効用とのトレードオフが明らかになった。
関連論文リスト
- PG-SFT: Balancing Capability Acquisition and Retention in Offline Agent Fine-Tuning [16.80190557270073]
オフラインエージェントトラジェクトリにおけるスーパーバイザーファインチューニング(SFT)は、特殊なツール使用エージェントを訓練するための標準的なアプローチである。
本研究は,エージェントトラジェクトリのターンレベル情報ゲインを調整強度の調整指標として活用するための textbfPrivilege-Guided SFT (PG-SFT) を提案する。
論文 参考訳(メタデータ) (2026-10-01T02:32:20Z) - When Agents Meet Electric Bus Fleet Operations: Pricing Behavior, Trade-offs, and Policy Implications in an Aggregator Framework [1.973629969449657]
本稿では,電気バスV2Gの動作を管理するためのエージェントアグリゲータフレームワークを提案する。
エージェントアグリゲータは、実行可能なスケジュールを維持し、再最適化を選択的に活性化し、充電とV2Gの柔軟性を向上させることで、適応的なフリートグリッド調整をサポートすることができる。
しかし、公開市場における彼らの展開には、透明性のある調整モード、監査可能な関税設定、明示的な価値共有ルールが必要です。
論文 参考訳(メタデータ) (2026-06-24T21:41:52Z) - SOPE: Stabilizing Off-Policy Evaluation for Online RL with Prior Data [49.370849653460716]
本稿では,アクタに整列したオフポリシー評価信号を用いたSOPEを,自動早期停止機構として提案する。
Minariベンチマークスイートから25の継続的制御タスクを評価した。
SOPEはベースライン性能を最大45.6%改善し、必要なTFLOPを最大22倍改善した。
論文 参考訳(メタデータ) (2026-05-07T08:32:09Z) - WS-GRPO: Weakly-Supervised Group-Relative Policy Optimization for Rollout-Efficient Reasoning [67.45237332694025]
グループ相対政策最適化は、複雑な推論に基づいて言語モデルを訓練するのに効果的である。
Weakly Supervised GRPOを提案し、端末報酬を正当性を考慮したガイダンスに変換することにより、ロールアウト効率を向上させる。
論文 参考訳(メタデータ) (2026-02-19T02:43:35Z) - Harnessing Flexible Spatial and Temporal Data Center Workloads for Grid Regulation Services [8.460796912216642]
地理的に分散したDC間での負荷分散と規制容量のコミットメントを共同で決定する統合された日頭協調最適化フレームワークを提案する。
ケーススタディでは,提案手法がシステム運用コストを低減し,より現実的な規制能力を実現し,収益リスクの高いトレードオフを達成できることが示されている。
論文 参考訳(メタデータ) (2026-02-02T00:42:09Z) - A Control-Theoretic Approach to Dynamic Payment Routing for Success Rate Optimization [0.34376560669160394]
本稿では動的支払ルーティングのための制御理論フレームワークを提案する。
トランザクションの成功率を最大化するために、JUSPAYのPayment Orchestrator内に実装されている。
その結果、従来のルールベースのルーティングよりも最大1.15%の成功率が改善された。
論文 参考訳(メタデータ) (2025-10-19T07:27:37Z) - 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) - GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳(メタデータ) (2024-08-19T08:23:38Z) - Exterior Penalty Policy Optimization with Penalty Metric Network under Constraints [52.37099916582462]
制約強化学習(CRL:Constrained Reinforcement Learning)では、エージェントが制約を満たしながら最適なポリシーを学習するために環境を探索する。
我々は,刑罰科目ネットワーク(PMN)が生み出す適応的な罰則を持つ,理論的に保証された刑罰関数法(Exterior Penalty Policy Optimization (EPO))を提案する。
PMNは様々な制約違反に適切に対応し、効率的な制約満足度と安全な探索を可能にする。
論文 参考訳(メタデータ) (2024-07-22T10:57:32Z)
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。