論文の概要: Modeling and Analysis of Excess Commuting with Trip Chains

• arxiv url: http://arxiv.org/abs/2008.11082v1
• Date: Tue, 25 Aug 2020 14:54:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 00:03:08.779440
• Title: Modeling and Analysis of Excess Commuting with Trip Chains
• Title（参考訳）: tripチェーンを用いた余剰通勤のモデル化と解析
• Authors: Yujie Hu, Xiaopeng Li
• Abstract要約: この研究は、従来の過剰通勤研究が実際の通勤と最適な通勤の両方を過小評価し、過剰通勤を過小評価していることを示している。 フロリダ州タンパベイ地域のケーススタディに基づいて、従来の過剰通勤研究は実際の通勤と最適な通勤の両方を過小評価し、過剰通勤を過小評価している。
• 参考スコア（独自算出の注目度）: 3.728629802579785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Commuting, like other types of human travel, is complex in nature, such as trip-chaining behavior involving making stops of multiple purposes between two anchors. According to the 2001 National Household Travel Survey, about one half of weekday U.S. workers made a stop during their commute. In excess commuting studies that examine a region's overall commuting efficiency, commuting is, however, simplified as nonstop travel from homes to jobs. This research fills this gap by proposing a trip-chaining-based model to integrate trip-chaining behavior into excess commuting. Based on a case study of the Tampa Bay region of Florida, this research finds that traditional excess commuting studies underestimate both actual and optimal commute, while overestimate excess commuting. For chained commuting trips alone, for example, the mean minimum commute time is increased by 70 percent from 5.48 minutes to 9.32 minutes after trip-chaining is accounted for. The gaps are found to vary across trip-chaining types by a disaggregate analysis by types of chain activities. Hence, policymakers and planners are cautioned of omitting trip-chaining behavior in making urban transportation and land use policies. In addition, the proposed model can be adopted to study the efficiency of non-work travel.
• Abstract（参考訳）: 他のタイプの人間の移動と同様に、通勤は自然に複雑であり、2つのアンカーの間に複数の目的の停止を含むトリップチェーン行動などである。 2001年の全国家計旅行調査によると、平日の米国の労働者の約半数が通勤中に停留した。 しかし、地域全体の通勤効率を調べる過剰な通勤研究では、通勤は家から仕事へのノンストップ旅行として単純化されている。 本研究は、トリップチェインに基づくモデルを提案し、トリップチェインの挙動を過剰な通勤に組み込むことによって、このギャップを埋める。 フロリダ州タンパベイ地域のケーススタディに基づいて、従来の過剰通勤研究は実際の通勤と最適な通勤の両方を過小評価し、過剰通勤を過小評価している。 例えば、鎖状通勤のみの場合、平均最低通勤時間は5.48分から9.32分に70%増加する。 このギャップは、連鎖活動の種類による非凝集分析により、旅行連鎖型によって異なる。 そのため、政策立案者や計画立案者は、都市交通・土地利用政策のトリップチェーン行動の省略を警告している。 さらに,提案モデルを用いて非作業走行の効率について検討することができる。

関連論文リスト

• When to Commute During the COVID-19 Pandemic and Beyond: Analysis of Traffic Crashes in Washington, D.C [0.9796835880534122]
  本研究は、ワシントンD.C.に通勤する最も安全な時間に関する情報の提供を試みる。 また、ワシントンD.C.地域の交通事故や気象などの関連要因の理解を深めることも目指しています。
  論文  参考訳（メタデータ） (2024-11-08T20:39:36Z)
• Mining individual daily commuting patterns of dockless bike-sharing users: a two-layer framework integrating spatiotemporal flow clustering and rule-based decision trees [3.3988622291971247]
  本論文は、ドックレス自転車共有旅行データから、個人自転車の日々の通勤パターンをユーザIDで抽出する枠組みを提案する。 このフレームワークの有効性と適用性は、深センでの2億回以上の自転車共有旅行記録によって実証されている。 多くの自転車共有通勤者が都市村や古い町の近くに住んでおり、特に中心部では生活費が低い。
  論文  参考訳（メタデータ） (2024-07-13T09:30:51Z)
• Wireless Crowd Detection for Smart Overtourism Mitigation [50.031356998422815]
  この章では、モバイルデバイスのワイヤレスアクティビティに基づいたオーバツーリズムを監視するための、低コストなアプローチについて説明する。 群集センサは、無線技術のトレース要素を検出することで、周囲のモバイルデバイスの数をカウントする。 いくつかの技術で検出プログラムを実行し、指紋解析の結果は匿名データベースにのみローカルに保存される。
  論文  参考訳（メタデータ） (2024-02-14T13:20:24Z)
• Fair collaborative vehicle routing: A deep multi-agent reinforcement learning approach [49.00137468773683]
  協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。 従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。 我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-10-26T15:42:29Z)
• Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
  半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。 新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。 エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
  論文  参考訳（メタデータ） (2023-04-23T16:01:36Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Identifying Suitable Tasks for Inductive Transfer Through the Analysis of Feature Attributions [78.55044112903148]
  我々は、単一タスクモデル間のニューラルネットワークアクティベーションの比較を通じて、タスクペアが相補的になるかどうかを予測するために、説明可能性技術を使用する。 提案手法により,TREC-IS 2020-Aデータセットでは,正のクラスF1の0.034の削減に留まらず,最大83.5%のトレーニング時間を短縮することが可能である。
  論文  参考訳（メタデータ） (2022-02-02T15:51:07Z)
• Sharing Behavior in Ride-hailing Trips: A Machine Learning Inference Approach [1.9111219197011353]
  共有乗車を希望する乗客の意思は、一年を通して27.0%から12.8%へと単調に低下している。 共有の好みの低下は、共有旅行の1マイル当たりのコストの増加と、単独への短い旅行のシフトによるものである。
  論文  参考訳（メタデータ） (2022-01-30T01:17:36Z)
• Studying Person-Specific Pointing and Gaze Behavior for Multimodal Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
  物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。 既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。 本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
  論文  参考訳（メタデータ） (2020-09-23T14:56:19Z)
• The Benefits of Autonomous Vehicles for Community-Based Trip Sharing [20.51380943801894]
  この研究はHasanらによって提案されたコミュニティベースの旅行共有の概念を再考する。 自動運転車のメリットを、コミュニティベースの旅行共有に定量化することを目的としている。 最適化の結果は、自動運転車を利用して1日あたりの車両使用量を92%削減し、元の通勤トリップシェアリング問題の結果を34%改善し、また1日あたりの走行距離を約30%削減できることを示している。
  論文  参考訳（メタデータ） (2020-08-28T18:12:13Z)
• Decomposing Excess Commuting: A Monte Carlo Simulation Approach [1.14219428942199]
  本研究はモンテカルロの手法を用いて, 人口調査区域内の個人労働者と個人雇用をシミュレートする。 旅行から仕事までの通勤距離と時間を推定し、シミュレーションされた個々の場所に基づいて最適な通勤を定義する。
  論文  参考訳（メタデータ） (2020-05-30T14:09:06Z)

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。