Our results show that with the Smar

Our results show that with the Smart Rebalancing Policy,
we achieve a 51% improvement in taxi waiting time and
a 31% improvement in passenger waiting time over the
Observed Policy. Intuitively, we can explain the validity of
our results by considering a simple example of an airport
with two terminals, one with many taxis and no passengers
and the other with many passengers and no taxis. With the
Smart Rebalancing Policy, such situations are unlikely to
persist because the ChangiNOW server would immediately
send idle taxis from one terminal to pick up passengers from
the other, thereby creating a better matching of taxi supply
and demand so both taxis and passengers wait less. Our controlled
experiments used simulated taxi and passenger arrival
rates based on observed data. In actual implementation, we
believe similar results can be achieved by using both real
time taxi trajectories and ChangiNOW server requests in
our queuing model. Passenger arrival information in both
Our results show that with the Smart Rebalancing Policy,
we achieve a 51% improvement in taxi waiting time and
a 31% improvement in passenger waiting time over the
Observed Policy. Intuitively, we can explain the validity of
our results by considering a simple example of an airport
with two terminals, one with many taxis and no passengers
and the other with many passengers and no taxis. With the
Smart Rebalancing Policy, such situations are unlikely to
persist because the ChangiNOW server would immediately
send idle taxis from one terminal to pick up passengers from
the other, thereby creating a better matching of taxi supply
and demand so both taxis and passengers wait less. Our controlled
experiments used simulated taxi and passenger arrival
rates based on observed data. In actual implementation, we
believe similar results can be achieved by using both real
time taxi trajectories and ChangiNOW server requests in
our queuing model. Passenger arrival information in both

ผลลัพธ์ (ไทย) 1:

ผลของเราแสดงว่าปรับสมดุลนโยบายสมาร์ทเราบรรลุการปรับปรุง 51% ในเวลารอแท็กซี่ และการปรับปรุง 31% ในเวลารอผู้โดยสารผ่านการปฏิบัตินโยบาย สังหรณ์ใจ เราสามารถอธิบายความถูกต้องของผลของเรา โดยพิจารณาตัวอย่างง่าย ๆ ของท่าอากาศยานมีสองขั้ว มีรถแท็กซี่จำนวนมากและไม่มีผู้โดยสารและอื่น ๆ ที่ มีผู้โดยสารและรถแท็กซี่ไม่ ด้วยการปรับสมดุลนโยบายสมาร์ท สถานการณ์ดังกล่าวไม่น่าจะยืนยัน เพราะต้อง ChangiNOW เซิร์ฟเวอร์ทันทีส่งไม่ได้ใช้บริการรถแท็กซี่จากขั้วหนึ่งไปรับผู้โดยสารจากอื่น ๆ จึงจับคู่ดีกว่าจ่ายแท็กซี่และความต้องการดังนั้นรถแท็กซี่และผู้โดยสารรอน้อย ควบคุมของเราการทดลองใช้มาแท็กซี่และผู้โดยสารจำลองอัตราตามสังเกตข้อมูล ในการใช้งานจริง เราเชื่อว่า ผลที่คล้ายกันสามารถทำได้ โดยใช้ทั้งสองจริงเวลาแท็กซี่วิถีและการร้องขอเซิร์ฟเวอร์ ChangiNOW ในรูปแบบการจัดคิวของเรา ผู้โดยสารเดินทางมาถึงทั้งในผลของเราแสดงว่าปรับสมดุลนโยบายสมาร์ทเราบรรลุการปรับปรุง 51% ในเวลารอแท็กซี่ และการปรับปรุง 31% ในเวลารอผู้โดยสารผ่านการปฏิบัตินโยบาย สังหรณ์ใจ เราสามารถอธิบายความถูกต้องของผลของเรา โดยพิจารณาตัวอย่างง่าย ๆ ของท่าอากาศยานมีสองขั้ว มีรถแท็กซี่จำนวนมากและไม่มีผู้โดยสารและอื่น ๆ ที่ มีผู้โดยสารและรถแท็กซี่ไม่ ด้วยการปรับสมดุลนโยบายสมาร์ท สถานการณ์ดังกล่าวไม่น่าจะยืนยัน เพราะต้อง ChangiNOW เซิร์ฟเวอร์ทันทีส่งไม่ได้ใช้บริการรถแท็กซี่จากขั้วหนึ่งไปรับผู้โดยสารจากอื่น ๆ จึงจับคู่ดีกว่าจ่ายแท็กซี่และความต้องการดังนั้นรถแท็กซี่และผู้โดยสารรอน้อย ควบคุมของเราการทดลองใช้มาแท็กซี่และผู้โดยสารจำลองอัตราตามสังเกตข้อมูล ในการใช้งานจริง เราเชื่อว่า ผลที่คล้ายกันสามารถทำได้ โดยใช้ทั้งสองจริงเวลาแท็กซี่วิถีและการร้องขอเซิร์ฟเวอร์ ChangiNOW ในรูปแบบการจัดคิวของเรา ผู้โดยสารเดินทางมาถึงทั้งใน

ผลลัพธ์ (ไทย) 2:

ผลของเราแสดงให้เห็นว่าสมาร์ทกับนโยบายปรับสมดุล
เราบรรลุการปรับปรุง 51% ในรถแท็กซี่รอเวลาและ
การปรับปรุง 31% ในเวลาที่รอคอยผู้โดยสารมากกว่า
นโยบายสังเกต สังหรณ์ใจเราสามารถอธิบายความถูกต้องของ
ผลของเราโดยพิจารณาตัวอย่างง่ายๆของสนามบิน
ที่มีสองขั้วหนึ่งมีรถแท็กซี่จำนวนมากและไม่มีผู้โดยสาร
และอื่น ๆ ที่มีผู้โดยสารจำนวนมากและไม่มีรถแท็กซี่ ด้วย
สมาร์ทนโยบายปรับสมดุลสถานการณ์ดังกล่าวไม่น่าจะ
ยังคงมีอยู่เนื่องจากเซิร์ฟเวอร์ ChangiNOW ทันทีจะ
ส่งรถแท็กซี่ไม่ได้ใช้งานจากที่หนึ่ง terminal เพื่อรับผู้โดยสารจาก
ที่อื่น ๆ ดังนั้นการสร้างการจับคู่ที่ดีขึ้นของอุปทานรถแท็กซี่
และความต้องการเพื่อให้ทั้งรถแท็กซี่และผู้โดยสารรอน้อย การควบคุมของเรา
ทดลองใช้จำลองรถแท็กซี่และผู้โดยสารที่เดินทางมาถึง
อัตราขึ้นอยู่กับข้อมูลที่สังเกต ในการดำเนินงานที่เกิดขึ้นจริงเรา
เชื่อว่าผลที่คล้ายกันสามารถทำได้โดยการใช้ทั้งจริง
วิถีแท็กซี่เวลาและร้องขอไปยัง server ChangiNOW ใน
รูปแบบการจัดคิวของเรา ข้อมูลการมาถึงของผู้โดยสารทั้งใน
ผลของเราแสดงให้เห็นว่าสมาร์ทกับนโยบายปรับสมดุล
เราบรรลุการปรับปรุง 51% ในรถแท็กซี่รอเวลาและ
การปรับปรุง 31% ในเวลาที่รอคอยผู้โดยสารมากกว่า
นโยบายสังเกต สังหรณ์ใจเราสามารถอธิบายความถูกต้องของ
ผลของเราโดยพิจารณาตัวอย่างง่ายๆของสนามบิน
ที่มีสองขั้วหนึ่งมีรถแท็กซี่จำนวนมากและไม่มีผู้โดยสาร
และอื่น ๆ ที่มีผู้โดยสารจำนวนมากและไม่มีรถแท็กซี่ ด้วย
สมาร์ทนโยบายปรับสมดุลสถานการณ์ดังกล่าวไม่น่าจะ
ยังคงมีอยู่เนื่องจากเซิร์ฟเวอร์ ChangiNOW ทันทีจะ
ส่งรถแท็กซี่ไม่ได้ใช้งานจากที่หนึ่ง terminal เพื่อรับผู้โดยสารจาก
ที่อื่น ๆ ดังนั้นการสร้างการจับคู่ที่ดีขึ้นของอุปทานรถแท็กซี่
และความต้องการเพื่อให้ทั้งรถแท็กซี่และผู้โดยสารรอน้อย การควบคุมของเรา
ทดลองใช้จำลองรถแท็กซี่และผู้โดยสารที่เดินทางมาถึง
อัตราขึ้นอยู่กับข้อมูลที่สังเกต ในการดำเนินงานที่เกิดขึ้นจริงเรา
เชื่อว่าผลที่คล้ายกันสามารถทำได้โดยการใช้ทั้งจริง
วิถีแท็กซี่เวลาและร้องขอไปยัง server ChangiNOW ใน
รูปแบบการจัดคิวของเรา ข้อมูลของผู้โดยสารที่เดินทางมาถึงทั้งใน