Rebalancing Self-Interested Drivers in Ride-Sharing Networks to Improve Customer Wait-Time
Notice bibliographique
Résumé
In this article, we address the problem of controlling self-interested drivers in ride-sharing applications. The objective of the ride-sharing company is to improve the customer experience by minimizing the wait-time before pickup. Meanwhile, the drivers attempt to maximize their profit by choosing the best location to wait in the environment between the ride requests assigned to them. The objectives of the ride-sharing company and the drivers are not aligned, and the company has no direct control over the waiting locations of the drivers. The focus of this article is to provide two indirect control methods for the ride-sharing company to optimize the set of waiting locations of the drivers, thereby minimizing one of two objectives: 1) the expected wait-time of the customers or 2) the maximum wait-time of customers. The proposed indirect control methods are: 1) sharing information to a subset of the drivers on the location of other waiting drivers and 2) paying drivers to relocate. We show that the problem of finding the optimal control is NP-hard for both objectives and both control methods. For the information sharing method, we provide an LP-rounding algorithm to minimize the expected wait-time and a three-approximation algorithm to minimize the maximum wait-time. To incentivize the drivers to relocate with payments, we provide three-approximation algorithms for both objectives. Finally, we evaluate the proposed control methods on real-world data and show that we can achieve up to 80% improvement for both objectives.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».