MARC

 008260219s2025        us  ||||||||||||||c||eng  d
■001000017358682
■00520260202104736
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290649603
■035    ▼a(MiAaPQ)AAI32149655
■035    ▼a(MiAaPQ)Stanfordgj925tz2253
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519
■1001  ▼aJalota,  Devansh.
■24510▼aAlgorithmic  Sustainability  for  Resource  Allocation  in  Large-Scale  Sociotechnical  Systems.
■260    ▼a[S.l.]▼bStanford  University.  ▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a663  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  A.
■500    ▼aAdvisor:  Pavone,  Marco;Ye,  Yinyu.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aTechnological  advances  have  opened  new  avenues  for  designing  market  mechanisms  for  resource  allocation  in  sociotechnical  and  urban  infrastructure  systems,  from  enhancing  resource  allocation  efficiency  with  widespread  data  availability  to  enabling  real-time  algorithm  implementation.  While  these  technological  advancements  hold  significant  promise,  they  also  introduce  new  societal  challenges  related  to  equity,  privacy,  data  uncertainty,  and  security  that  existing  market  mechanisms  often  fail  to  address.  In  response,  this  thesis  develops  data-driven  and  online  learning  algorithms  and  incentive  schemes  that  confront  these  shortcomings  of  traditional  market  mechanisms,  thereby  advancing  the  science  and  practice  of  market  design  for  socially  sustainable  resource  allocation  in  large-scale  sociotechnical  and  urban  infrastructure  systems.  Spanning  both  foundational  and  application-driven  research,  with  an  emphasis  on  transportation  and  smart  mobility  applications,  this  thesis  is  divided  into  four  parts,  each  addressing  a  different  aspect  of  social  sustainability.Part  I  focuses  on  addressing  the  privacy  and  information  availability  concerns  of  traditional  equilibrium  pricing  problems,  which  require  observing  user  attributes  to  make  pricing  and  allocation  decisions.  Specifically,  we  generalize  classical  equilibrium  pricing  problems  in  transportation,  electricity,  and  Fisher  markets  to  online  incomplete  information  settings  and  design  novel  posted-price  mechanisms  relying  solely  on  revealed  preference  feedback  (i.e.,  past  observations  of  user  consumption)  with  provably  strong  performance  guarantees.In  Parts  II  and  III,  we  turn  to  another  dimension  of  social  sustainability,  that  of  fairness  and  equity,  which  are  key  considerations  across  a  range  of  equilibrium  pricing  and  game-theoretic  applications  in  large-scale  sociotechnical  systems.  Part  II  extends  classical  market  equilibrium  models  in  two-sided  matching  and  Fisher  markets  to  accommodate  additional  constraints  arising  from  fairness  considerations,  developing  algorithms  for  large-scale  equilibrium  computation  in  these  enriched  settings.  Part  III  continues  the  exploration  of  fairness  and  equity  by  addressing  the  inequity  concerns  that  have  hindered  the  practical  deployment  of  congestion  pricing,  an  AI-powered  trac  mitigation  strategy.  Spurred  by  collaborations  with  government  agencies,  we  propose  novel  congestion  pricing  schemes  to  balance  the  efficiency  and  equity  goals  of  sustainable  transportation  and  develop  robust  theoretical  frameworks  to  assess  the  impact  of  these  schemes  on  trac  and  equity  outcomes.  In  doing  so,  our  work  develops  methods  to  pave  the  way  for  designing  sustainable  and  publicly  acceptable  congestion  pricing  schemes,  shifting  the  discussion  from  the  regressive  impacts  of  congestion  pricing  to  one  that  centers  around  how  to  best  preserve  equity.Finally,  Part  IV  focuses  on  a  third  social  sustainability  dimension:  security.  We  design  enforcement  mechanisms  to  mitigate  user  fraud,  with  an  emphasis  on  smart  mobility  applications,  and  leverage  problem  structure  to  make  fundamental  algorithmic  contributions  to  societal-scale  equilibrium  computation  problems  in  security  games.
■590    ▼aSchool  code:  0212.
■650  4▼aLinear  programming.
■650  4▼aPublic  safety.
■650  4▼aDistance  learning.
■650  4▼aUrban  planning.
■650  4▼aSustainability.
■653    ▼aData  uncertainty
■653    ▼aMarket  mechanisms
■690    ▼a0640
■690    ▼a0999
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-03A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358682▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서