用于平衡拼车中公平与效率的数据驱动方法
人工智能
2021-10-08 v1
摘要
网约车与拼车平台使用基于人工智能的匹配算法来配对乘客与司机。然而，这些平台可能通过不平等的收入分配或对乘客的区别对待而引发不平等。我们研究了两种减少拼车平台中不平等形式的方法：（1）将公平性约束纳入目标函数；（2）对司机收入进行再分配以减少收入波动与不平等。为评估我们的方案，我们使用纽约市出租车数据集。对于第一种方法，我们发现以司机侧公平为优化目标在服务的乘客数量上优于最先进模型，无论是在处境最差的社区还是总体层面，表明在特定情形下以公平为优化目标可助益盈利性。对于第二种方法，我们探索收入再分配作为一种对抗收入不平等的途径：司机保留其收入的 比例，其余部分贡献至再分配池。对于某些 值，多数司机的收入接近其 Shapley 值，同时仍激励司机最大化价值，从而避免搭便车问题并降低收入波动性。第一种方法可推广至多种公平性定义，第二种方法可证明在不影响盈利性的前提下改善公平性。
引用
@article{arxiv.2110.03524,
title = {Data-Driven Methods for Balancing Fairness and Efficiency in Ride-Pooling},
author = {Naveen Raman and Sanket Shah and John Dickerson},
journal= {arXiv preprint arXiv:2110.03524},
year = {2021}
}