論文の概要: Decentralized Optimization of Vehicle Route Planning -- A Cross-City
Comparative Study
- arxiv url: http://arxiv.org/abs/2001.03384v1
- Date: Fri, 10 Jan 2020 11:02:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 23:41:35.716619
- Title: Decentralized Optimization of Vehicle Route Planning -- A Cross-City
Comparative Study
- Title（参考訳）: 道路計画の分散最適化 -都市間比較研究-
- Authors: Brionna Davis, Grace Jennings, Taylor Pothast, Ilias Gerostathopoulos,
Evangelos Pournaras, Raphael E. Stern
- Abstract要約: エージェントの利他主義の異なるレベルを比較し,ネットワークレベルのトラフィック性能に与える影響について検討する。
主な発見は、車両の利他性の増加に伴い、ネットワーク間のトラフィックフローのバランスをとることができることである。
- 参考スコア（独自算出の注目度）: 7.74034002629298
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New mobility concepts are at the forefront of research and innovation in
smart cities. The introduction of connected and autonomous vehicles enables new
possibilities in vehicle routing. Specifically, knowing the origin and
destination of each agent in the network can allow for real-time routing of the
vehicles to optimize network performance. However, this relies on individual
vehicles being "altruistic" i.e., being willing to accept an alternative
non-preferred route in order to achieve a network-level performance goal. In
this work, we conduct a study to compare different levels of agent altruism and
the resulting effect on the network-level traffic performance. Specifically,
this study compares the effects of different underlying urban structures on the
overall network performance, and investigates which characteristics of the
network make it possible to realize routing improvements using a decentralized
optimization router. The main finding is that, with increased vehicle altruism,
it is possible to balance traffic flow among the links of the network. We show
evidence that the decentralized optimization router is more effective with
networks of high load while we study the influence of cities characteristics,
in particular: networks with a higher number of nodes (intersections) or edges
(roads) per unit area allow for more possible alternate routes, and thus higher
potential to improve network performance.
- Abstract（参考訳）: 新しいモビリティの概念は、スマートシティの研究とイノベーションの最前線にある。
接続された自動運転車の導入は、車両ルーティングの新しい可能性を可能にします。
具体的には、ネットワーク内の各エージェントの出所と目的地を知ることで、車両のリアルタイムルーティングによるネットワークパフォーマンスの最適化が可能になる。
しかし、これは個々の車両が「利他的」であること、すなわちネットワークレベルの性能目標を達成するために代替の非予測経路を受け入れることに依存している。
本研究では,エージェントの利他主義のレベルの違いと,ネットワークレベルのトラフィック性能に与える影響を比較検討する。
具体的には,基盤となる都市構造の違いがネットワーク全体の性能に与える影響を比較し,分散最適化ルータを用いたルーティング改善を実現するネットワークの特性について検討する。
主な発見は、車両利他性の増加に伴い、ネットワークのリンク間のトラフィックフローのバランスをとることができることである。
分散最適化ルータは,都市特性の影響を調査しながら,高負荷のネットワークにおいてより効果的であることを示す。特に,単位面積当たりのノード数(断面積)やエッジ数(断面積)の大きいネットワークでは,代替経路がより多くなり,ネットワーク性能を向上させる可能性が高くなる。
関連論文リスト
- A Data-driven Resilience Framework of Directionality Configuration based
on Topological Credentials in Road Networks [0.5154704494242526]
本稿では,最適化に基づくBrute Force検索手法と意思決定支援フレームワークを統合した新しい道路再構成手法を提案する。
提案フレームワークは、最適化プロセス中に生成されたシナリオからの入力を組み合わせ、マルチ基準決定分析アプローチを取り入れている。
道路構成のランク付けには、リッジ回帰などの機械学習アルゴリズムを使用して、各基準に対する最適な重みを決定する。
論文 参考訳（メタデータ） (2024-01-14T21:22:22Z) - Adaptive Road Configurations for Improved Autonomous Vehicle-Pedestrian
Interactions using Reinforcement Learning [2.362412515574206]
本研究では,ROW合成の強化学習(RL)手法について検討する。
道路網構成の動的制御を個別に行うために,集中型パラダイムと分散学習パラダイムを実装した。
実験結果から,提案アルゴリズムは交通流効率を向上し,歩行者により多くの空間を割り当てる可能性が示唆された。
論文 参考訳（メタデータ） (2023-03-22T03:42:39Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳（メタデータ） (2023-01-20T17:06:34Z) - Neighbor Auto-Grouping Graph Neural Networks for Handover Parameter
Configuration in Cellular Network [47.29123145759976]
ハンドオーバパラメータ設定のための学習ベースのフレームワークを提案する。
まず、ネットワークが異なるネットワーク状態とパラメータ値にどのように反応するかを模倣する新しいアプローチを提案する。
パラメータ設定の段階では、グローバルな最適化問題を解決する代わりに、局所的な多目的最適化戦略を設計する。
論文 参考訳（メタデータ） (2022-12-29T18:51:36Z) - An ASP Framework for Efficient Urban Traffic Optimization [0.0]
本稿では,数百台の車両による大規模道路網における交通流を効率的にシミュレートし,最適化する枠組みを提案する。
このフレームワークは、Answer Set Programming (ASP)エンコーディングを利用して、ネットワーク内の車両の動きを正式に記述する。
これにより、ネットワーク内の車両の経路を最適化し、関連するメトリクスの幅を減らすことができる。
論文 参考訳（メタデータ） (2022-08-05T10:50:38Z) - Deep Reinforcement Learning Aided Packet-Routing For Aeronautical Ad-Hoc
Networks Formed by Passenger Planes [99.54065757867554]
エンド・ツー・エンド(E2E)遅延の最小化を目的としたAANETにおけるルーティングのための深層強化学習を起動する。
最深Qネットワーク(DQN)は、転送ノードで観測される最適ルーティング決定と局所的な地理的情報との関係をキャプチャする。
フィードバック機構を組み込んだディープバリューネットワーク(DVN)を用いて,システムのダイナミクスに関する知識をさらに活用する。
論文 参考訳（メタデータ） (2021-10-28T14:18:56Z) - Urban traffic dynamic rerouting framework: A DRL-based model with
fog-cloud architecture [0.7046417074932257]
本研究では,GAQ(Graph Attention Network - Deep Q Learning)とEBkSP(Entropy Based k Shortest Path)を組み合わせた2段階モデルを提案する。
まず、GAQは、各道路と霧のエリアの交通状況を分析し、その周辺地域と周辺地域の情報に基づいて道路指標を割り当てる。
第2に、EBkSPは車両の優先度と経路人気に基づいて各車両に経路を割り当てる。
論文 参考訳（メタデータ） (2021-10-11T18:15:44Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Optimal transport in multilayer networks [68.8204255655161]
本稿では,各層上の最適フローが,コストの最小化に寄与するモデルを提案する。
アプリケーションとして,各層が異なる輸送システムに関連付けられている交通ネットワークを考察する。
この結果の例をボルドー市とバスと路面電車の2層ネットワークで示し、ある状況下では路面電車網の存在が道路網の交通を著しく覆い隠している。
論文 参考訳（メタデータ） (2021-06-14T07:33:09Z) - Incentivizing Efficient Equilibria in Traffic Networks with Mixed
Autonomy [17.513581783749707]
車両小隊化は、車両小隊化による道路容量の増加によって交通渋滞を減少させる可能性がある。
我々は、(i)最短経路を選択する人間ドライバーと(ii)相乗りサービスという2つの交通手段を持つ平行道路のネットワークについて検討する。
我々は、混合自律で車両の流れのモデルと、価格と遅延の異なるルート間で自律サービスユーザーがどのように選択するかのモデルを定式化する。
論文 参考訳（メタデータ） (2021-05-06T03:01:46Z) - On Topology Optimization and Routing in Integrated Access and Backhaul
Networks: A Genetic Algorithm-based Approach [70.85399600288737]
IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。
我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。
メッシュベースのIABネットワークを実現する上での課題について論じる。
論文 参考訳（メタデータ） (2021-02-14T21:52:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。