广播模式下匹配半径的动态调整：一种新型多任务学习策略与时间建模方法
人工智能
2023-12-12 v1 机器学习
摘要
随着网约车服务的显著增长，大部分研究集中在派单模式上，即司机必须遵循平台分配的路线。然而，司机可以从平台广播的订单中自由选择其偏好订单的广播模式，却较少受到关注。在这种系统中，一个重要但具有挑战性的任务是确定最佳匹配半径，该半径通常随空间、时间和实时供需特征而变化。本研究开发了一个基于 Transformer 编码器的模型，用于预测一系列匹配半径下的关键系统性能指标，使网约车平台能够根据实时供需信息选择使整体系统性能最大化的最佳匹配半径。为了在确定匹配半径时同时最大化多个系统性能指标，我们设计了一种新型多任务学习算法，该算法提高了每个任务（对应于一个指标的优化）的收敛速度，并提供更准确的整体预测。我们在专门为基于广播模式的网约车服务设计的仿真环境中评估了我们的方法。研究结果表明，基于我们提出的“先预测后优化”方法动态调整匹配半径显著提高了系统性能，例如，与基准算法相比，平台收入提高了 7.55%，订单完成率提高了 13%。
引用
@article{arxiv.2312.05576,
title = {Dynamic Adjustment of Matching Radii under the Broadcasting Mode: A Novel Multitask Learning Strategy and Temporal Modeling Approach},
author = {Taijie Chen and Zijian Shen and Siyuan Feng and Linchuan Yang and Jintao Ke},
journal= {arXiv preprint arXiv:2312.05576},
year = {2023}
}
备注
27 pages, 10 figures