研究者提出多阶段上下文优化方法优化网约车车辆重定位
热点事件持续更新
研究者提出多阶段上下文优化方法优化网约车车辆重定位
1 篇报道1 个报道来源46 分钟前更新
先了解这件事
AI 综述
Jinyu Zhang、Di Huang、Zhiyuan Liu、Nikolas Geroliminis 等研究者在 arXiv 发布论文,针对网约车平台闲置车辆重定位问题,提出多阶段上下文优化方法:构建结合宏观基本图(MFD)的多阶段线性规划,用决策表现而非传统均方误差来训练预测模型,并推导精确梯度与并行分块评估算法。 在纽约市网约车数据上,该方法较均方误差训练的同一预测器多带来 7.7% 至 9.1% 的业务收益;使用 8 个并行 worker 可将训练时间缩短 1.86 倍且不损失决策性能。
AI 根据报道生成 · 19 分钟前更新
最新进展11月18日 13:00
面向网约车车辆调度的多阶段上下文优化方法报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv cs.AI面向网约车车辆调度的多阶段上下文优化方法
网约车平台需重新调配闲置车辆以改善空间供需平衡,该问题具有预测驱动和多阶段特性。研究者构建了结合宏观基本图(MFD)的多阶段线性规划,提出利用决策表现训练预测模型的多阶段上下文优化方法,并推导精确梯度与并行分块评估算法。在纽约市网约车数据上,该方法较均方误差训练的同一预测器多带来 7.7% 至 9.1% 的业务收益,8 个并行 worker 可将训练时间缩短 1.86 倍且不损失决策性能。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。