論文の概要: Network Impacts of Automated Mobility-on-Demand: A Macroscopic
Fundamental Diagram Perspective
- arxiv url: http://arxiv.org/abs/2011.05092v1
- Date: Tue, 10 Nov 2020 13:39:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-24 19:04:45.605072
- Title: Network Impacts of Automated Mobility-on-Demand: A Macroscopic
Fundamental Diagram Perspective
- Title（参考訳）: 自動モビリティ・オン・デマンドのネットワーク影響:マクロ基礎図による考察
- Authors: Simon Oh, Antonis F. Lentzakis, Ravi Seshadri, Moshe Ben-Akiva
- Abstract要約: Automated Mobility on Demand (AMOD)は、将来の都市モビリティを改善するための有望なソリューションである。
本稿では,AMODの高忠実度活動とエージェントベース交通シミュレーションによるネットワークへの影響について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Technological advancements have brought increasing attention to Automated
Mobility on Demand (AMOD) as a promising solution that may improve future urban
mobility. During the last decade, extensive research has been conducted on the
design and evaluation of AMOD systems using simulation models. This paper adds
to this growing body of literature by investigating the network impacts of AMOD
through high-fidelity activity- and agent-based traffic simulation, including
detailed models of AMOD fleet operations. Through scenario simulations of the
entire island of Singapore, we explore network traffic dynamics by employing
the concept of the Macroscopic Fundamental Diagram (MFD). Taking into account
the spatial variability of density, we are able to capture the hysteresis
loops, which inevitably form in a network of this size. Model estimation
results at both the vehicle and passenger flow level are documented.
Environmental impacts including energy and emissions are also discussed.
Findings from the case study of Singapore suggest that the introduction of AMOD
may bring about significant impacts on network performance in terms of
increased VKT, additional travel delay and energy consumption, while reducing
vehicle emissions, with respect to the baseline. Despite the increase in
network congestion, production of passenger flows remains relatively unchanged.
- Abstract（参考訳）: 技術進歩は、将来の都市モビリティを改善するための有望なソリューションとして、自動モビリティ・オン・デマンド(AMOD)に注目を向けている。
過去10年間でシミュレーションモデルを用いたAMODシステムの設計と評価について広範な研究がなされている。
本稿は, AMOD 艦隊運用の詳細なモデルを含む高忠実度およびエージェントベース交通シミュレーションを通じて, AMOD のネットワークへの影響を調査することによって, この成長する文献に付加する。
シンガポール島全体のシナリオシミュレーションを通じて,MFD(Macroscopic Fundamental Diagram)の概念を用いてネットワークトラフィックのダイナミクスを探索する。
密度の空間的変動を考慮すると、この大きさのネットワークで必然的に形成されるヒステリシスループを捉えることができる。
車両と乗客の流量レベルでのモデル推定結果を文書化する。
エネルギーや排出などの環境影響についても論じる。
シンガポールのケーススタディから得られた知見は、amodの導入がvktの増加、旅行遅延の増加、エネルギー消費量の増大といった面でネットワーク性能に大きな影響を与える可能性があることを示唆している。
ネットワークの混雑の増大にもかかわらず、旅客流の生産は比較的変化していない。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Differentiable Predictive Control for Large-Scale Urban Road Networks [1.3414298287600035]
輸送は二酸化炭素の排出に大きく貢献している。
本稿では,微分予測制御(DPC)を用いた新しい交通ネットワーク制御手法を提案する。
提案手法では,計算時間を最大4桁削減し,トラヒック性能を最大37%向上させる。
論文 参考訳（メタデータ） (2024-06-14T22:42:02Z) - Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。
本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
論文 参考訳（メタデータ） (2024-03-27T15:57:42Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - Deployment of Leader-Follower Automated Vehicle Systems for Smart Work
Zone Applications with a Queuing-based Traffic Assignment Approach [1.0355894890759376]
本論文は,ネットワーク上でのATMA車両の経路最適化に焦点をあて,低速動作に伴うシステムコストを最小化することを目的とする。
ATMAシステムによるシステムコストを特定するために,待ち行列に基づくトラフィック割り当て手法を提案する。
本手法は,小型ネットワークと大規模ネットワークを用いて検証し,キャパシティドロップモデリングとQBTD走行時間関数の利点を分析するための2つのベンチマークモデルと比較した。
論文 参考訳（メタデータ） (2023-07-23T16:35:05Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - Wireless-Enabled Asynchronous Federated Fourier Neural Network for
Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。
UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。
GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
論文 参考訳（メタデータ） (2021-12-26T14:41:52Z) - 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) - Deep Reinforcement Learning with Spatio-temporal Traffic Forecasting for
Data-Driven Base Station Sleep Control [39.31623488192675]
5G時代のモバイル交通需要の増加に対応するため、基地局(BS)は無線アクセスネットワーク(RAN)に密に展開され、ネットワークカバレッジと容量が向上しています。
BSの高密度はピークトラフィックに対応するために設計されているため、オフピーク時にBSがオンになっている場合、不必要に大量のエネルギーを消費します。
セルラーネットワークのエネルギー消費を抑えるために、交通需要に応えないアイドルベースステーションを非活性化する方法が効果的である。
本論文では,DeepBSC と呼ばれるトラフィック認識型動的 BS 睡眠制御フレームワークを開発した。
論文 参考訳（メタデータ） (2021-01-21T01:39:42Z)
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。