ترجمه فارسی مقاله یک رویکرد مبتنی بر یادگیری تقویتی پایان به انتها برای ارسال سفارش با نمایش میکرو در سواری-هیلینگ

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی An End-to-End Reinforcement Learning Based Approach for Micro-View Order-Dispatching in Ride-Hailing
عنوان مقاله به فارسی یک رویکرد مبتنی بر یادگیری تقویتی پایان به انتها برای ارسال سفارش با نمایش میکرو در سواری-هیلینگ
نویسندگان Xinlang Yue, Yiran Liu, Fangzhou Shi, Sihong Luo, Chen Zhong, Min Lu, Zhe Xu
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 19 August, 2024; originally announced August 2024. , Comments: 8 pages, 4 figures
توضیحات به فارسی ارسال شده در 19 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 8 صفحه ، 4 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Assigning orders to drivers under localized spatiotemporal context (micro-view order-dispatching) is a major task in Didi, as it influences ride-hailing service experience. Existing industrial solutions mainly follow a two-stage pattern that incorporate heuristic or learning-based algorithms with naive combinatorial methods, tackling the uncertainty of both sides' behaviors, including emerging timings, spatial relationships, and travel duration, etc. In this paper, we propose a one-stage end-to-end reinforcement learning based order-dispatching approach that solves behavior prediction and combinatorial optimization uniformly in a sequential decision-making manner. Specifically, we employ a two-layer Markov Decision Process framework to model this problem, and present \underline{D}eep \underline{D}ouble \underline{S}calable \underline{N}etwork (D2SN), an encoder-decoder structure network to generate order-driver assignments directly and stop assignments accordingly. Besides, by leveraging contextual dynamics, our approach can adapt to the behavioral patterns for better performance. Extensive experiments on Didi's real-world benchmarks justify that the proposed approach significantly outperforms competitive baselines in optimizing matching efficiency and user experience tasks. In addition, we evaluate the deployment outline and discuss the gains and experiences obtained during the deployment tests from the view of large-scale engineering implementation.

چکیده به فارسی (ترجمه ماشینی)

اختصاص سفارشات به رانندگان تحت زمینه مکانی محلی محلی (سفارش میکرو-نمای) یک کار مهم در DIDI است ، زیرا این امر بر تجربه خدمات تگرگ سواری تأثیر می گذارد.راه حل های صنعتی موجود عمدتاً از الگوی دو مرحله ای پیروی می کند که الگوریتم های اکتشافی یا مبتنی بر یادگیری را با روشهای ترکیبی ساده لوحانه ، مقابله با عدم اطمینان از رفتارهای هر دو طرف ، از جمله زمان های نوظهور ، روابط مکانی و مدت زمان سفر و غیره در این مقاله ، ما در این مقاله ، مقابله با عدم اطمینان از رفتارهای هر دو طرف ، از جمله زمان های نوظهور ، روابط مکانی و مدت زمان سفر و غیره را شامل می شود.یک رویکرد تقویت کننده سفارش مبتنی بر یادگیری مبتنی بر یادگیری یک مرحله ای را پیشنهاد کنید که پیش بینی رفتار و بهینه سازی ترکیبی را به طور یکنواخت به روش تصمیم گیری پی در پی حل می کند.به طور خاص ، ما از یک چارچوب فرآیند تصمیم گیری مارکوف دو لایه برای مدل سازی این مشکل استفاده می کنیم ، و \ underline {d} eep \ underline {d} underline {s} calable \ underline {n} etwork (d2sn) ، رمزگذارشبکه ساختار رمزگشایی برای تولید تکالیف درایور سفارش مستقیم و متوقف کردن تکالیف بر این اساس.علاوه بر این ، با استفاده از پویایی متنی ، رویکرد ما می تواند برای عملکرد بهتر با الگوهای رفتاری سازگار شود.آزمایش های گسترده در مورد معیارهای دنیای واقعی Didi توجیه می کند که رویکرد پیشنهادی به طور قابل توجهی از خطوط رقابتی در بهینه سازی کارآیی تطبیق و وظایف تجربه کاربر بهتر عمل می کند.علاوه بر این ، ما طرح استقرار را ارزیابی می کنیم و در مورد سود و تجربیات به دست آمده در تست های استقرار از نظر اجرای مهندسی در مقیاس بزرگ بحث می کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.