論文の概要: Pooling for First and Last Mile: Integrating Carpooling and Transit
- arxiv url: http://arxiv.org/abs/2010.13438v2
- Date: Sat, 18 Jun 2022 00:06:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-27 11:37:51.587971
- Title: Pooling for First and Last Mile: Integrating Carpooling and Transit
- Title（参考訳）: ファーストマイルとラストマイルのプール:カープールとトランジットの統合
- Authors: Andrea Araldo, Andr\'e de Palma, Souhila Arib, Vincent Gauthier,
Romain Sere, Youssef Chaabouni, Oussama Kharouaa, and Ado Adamou Abba Ari
- Abstract要約: カープールとトランジットを統合した統合システムを提案する。
カープールは交通機関の供給源として機能し、交通局は統合ポイントとして機能する。
統合システムにより、乗換客数が増加し、自動依存度が低下することを示す。
- 参考スコア（独自算出の注目度）: 0.7644902597398214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While carpooling is widely adopted for long travels, it is by construction
inefficient for daily commuting, where it is difficult to match drivers and
riders, sharing similar origin, destination and time. To overcome this
limitation, we present an Integrated system, which integrates carpooling into
transit, in the line of the philosophy of Mobility as a Service. Carpooling
acts as feeder to transit and transit stations act as consolidation points,
where trips of riders and drivers meet, increasing potential matching. We
present algorithms to construct multimodal rider trips (including transit and
carpooling legs) and driver detours. Simulation shows that our Integrated
system increases transit ridership and reduces auto-dependency, with respect to
current practice, in which carpooling and transit are operated separately.
Indeed, the Integrated system decreases the number of riders who are left with
no feasible travel option and would thus be forced to use private cars. The
simulation code is available as open source.
- Abstract（参考訳）: カープーリングは長距離旅行に広く採用されているが、毎日の通勤には非効率であり、ドライバーと乗客が同じ起源、目的地、時間を共有することは困難である。
この制限を克服するために,モビリティ・アズ・ア・ア・サービスという理念に従って,カープールを交通機関に統合する統合システムを提案する。
相乗りは交通機関への供給者として働き、交通局は統合ポイントとして機能し、そこでは乗客とドライバーの旅行が交わり、潜在的なマッチングが増す。
本稿では,多モーダル走行(トランジットやカープールの脚を含む)とドライバデトラクションを構築するアルゴリズムを提案する。
シミュレーションにより,車いすとトランジットが別々に運用されている現状において,我々の統合システムによる乗換客の増加と自動依存の低減が示されている。
実際、統合システムは、実現可能な旅行オプションなしで残された乗客の数を減らし、そのためにプライベートカーの使用を余儀なくされる。
シミュレーションコードはオープンソースとして提供されている。
関連論文リスト
- GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots [50.02055068660255]
都市環境のナビゲーションは、ロボットにとってユニークな課題であり、移動とナビゲーションのための革新的なソリューションを必要としている。
本研究は, 適応移動制御, 移動対応ローカルナビゲーション計画, 市内の大規模経路計画を含む, 完全に統合されたシステムを導入する。
モデルフリー強化学習(RL)技術と特権学習を用いて,多目的移動制御系を開発した。
私たちのコントローラーは大規模な都市航法システムに統合され、スイスのチューリッヒとスペインのセビリアで自律的、キロメートル規模の航法ミッションによって検証されます。
論文 参考訳（メタデータ） (2024-05-03T00:29:20Z) - 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) - MARTA Reach: Piloting an On-Demand Multimodal Transit System in Atlanta [12.43321124872072]
本稿ではジョージア州アトランタで6ヶ月のパイロットMARTA Reachの結果について報告する。
本報告では,パイロットの設計と運用について述べるとともに,乗務員,サービス品質,代替交通手段について述べる。
論文 参考訳（メタデータ） (2023-08-04T22:08:56Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳（メタデータ） (2023-06-13T05:58:57Z) - Crowd-sensing commuting patterns using multi-source wireless data: a
case of Helsinki commuter trains [1.0323063834827415]
本稿では,従来の自動乗客計数器と,詳細な移動需要データを収集できる新たな情報源の組み合わせについて検討する。
この新たなデータソースは、ヘルシンキ地域交通局(HSL)が主導するパイロットプロジェクトTravelSenseに由来する。
列車の発着地・発着地・発着地・発着地・発着駅・発着駅・発着駅を識別し,列車利用者の旅程構造をよりよく理解することができる。
論文 参考訳（メタデータ） (2023-02-06T09:59:33Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳（メタデータ） (2021-04-28T07:54:40Z) - PassGoodPool: Joint Passengers and Goods Fleet Management with
Reinforcement Learning aided Pricing, Matching, and Route Planning [29.73314892749729]
本稿では,商品と旅客輸送を組み合わせた需要対応型艦隊管理フレームワークを提案する。
提案手法は,分散システムの成長に伴う計算コストを最小限に抑えるため,各車両内で独立して展開可能である。
論文 参考訳（メタデータ） (2020-11-17T23:15:03Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳（メタデータ） (2020-10-23T18:07:48Z) - FlexPool: A Distributed Model-Free Deep Reinforcement Learning Algorithm
for Joint Passengers & Goods Transportation [36.989179280016586]
本稿では,乗用車と貨物輸送を組み合わせることで,車両による輸送を改善することを検討する。
我々はFlexPoolを提案する。FlexPoolは分散モデルなしの深層強化学習アルゴリズムで、乗客や商品のワークロードを共同で処理する。
また,FlexPoolはフリート利用率を30%向上し,燃料効率を35%向上することを示した。
論文 参考訳（メタデータ） (2020-07-27T17:25:58Z) - Study on Key Technologies of Transit Passengers Travel Pattern Mining
and Applications based on Multiple Sources of Data [1.370633147306388]
本稿では,移動客の移動パターンと行動選好をマイニングするための一連の手法を提案する。
これらの知識を交通システムの調整と最適化に利用しています。
論文 参考訳（メタデータ） (2020-05-26T22:35:28Z)
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。