論文の概要: Incentivizing Routing Choices for Safe and Efficient Transportation in the Face of the COVID-19 Pandemic

• arxiv url: http://arxiv.org/abs/2012.15749v2
• Date: Thu, 18 Feb 2021 02:16:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 11:07:18.211711
• Title: Incentivizing Routing Choices for Safe and Efficient Transportation in the Face of the COVID-19 Pandemic
• Title（参考訳）: 新型コロナウイルスパンデミックに面した安全・効率的な交通経路選択のインセンティブ
• Authors: Mark Beliaev, Erdem B{\i}y{\i}k, Daniel A. Lazar, Woodrow Z. Wang, Dorsa Sadigh, Ramtin Pedarsani
• Abstract要約: 安全かつ効率的な交通ネットワークを実現するために,感染リスクと混雑のトレードオフを設定するために,金融インセンティブを利用することを提案する。 デザイナの手間をかけずに、様々な都市や時代に役立てるために、輸送オプションに関する人間の好みを学ぶためのデータ駆動のアプローチも提案しています。
• 参考スコア（独自算出の注目度）: 14.943238230772264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID-19 pandemic has severely affected many aspects of people's daily lives. While many countries are in a re-opening stage, some effects of the pandemic on people's behaviors are expected to last much longer, including how they choose between different transport options. Experts predict considerably delayed recovery of the public transport options, as people try to avoid crowded places. In turn, significant increases in traffic congestion are expected, since people are likely to prefer using their own vehicles or taxis as opposed to riskier and more crowded options such as the railway. In this paper, we propose to use financial incentives to set the tradeoff between risk of infection and congestion to achieve safe and efficient transportation networks. To this end, we formulate a network optimization problem to optimize taxi fares. For our framework to be useful in various cities and times of the day without much designer effort, we also propose a data-driven approach to learn human preferences about transport options, which is then used in our taxi fare optimization. Our user studies and simulation experiments show our framework is able to minimize congestion and risk of infection.
• Abstract（参考訳）: 新型コロナウイルスの感染拡大は人々の日常生活に深刻な影響を与えている。 多くの国が再開段階にあるが、パンデミックが人々の行動に与える影響は、いかに異なる交通手段を選択するかなど、ずっと長く続くと予想されている。 公共交通機関の再開がかなり遅れていると専門家らは予想している。 交通渋滞の増大が予想されるのは、鉄道などのより危険で混雑している選択肢に対して、自家用車やタクシーを使う傾向にあるためである。 本稿では,安全かつ効率的な交通ネットワークを実現するために,感染リスクと混雑のトレードオフを設定するための金融インセンティブを提案する。 この目的のために、タクシー運賃を最適化するネットワーク最適化問題を定式化する。 デザイナーの努力をあまり必要とせずに、日々のさまざまな都市や時間で有用なフレームワークを提供するため、輸送オプションに関する人間好みを学習するためのデータ駆動アプローチを提案し、タクシー運賃の最適化に利用します。 ユーザ研究とシミュレーション実験により,当フレームワークは感染リスクや混雑を最小限に抑えることができることが示された。

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)
• Forecasting and Mitigating Disruptions in Public Bus Transit Services [7.948662269574215]
  公共交通機関はしばしば、機械的故障や医療の緊急事態など、需要と破壊の予期せぬ変動に悩まされる。 これらの変動と混乱は遅延と混雑を招き、これは乗客の経験や交通機関全体の性能に有害である。 このような事態を積極的に緩和するため、多くの交通機関はサービスエリア全域で車両の交換(保存)を行い、過密や破壊に苦しむ路線で車両の増備や交換を行うことができる。 しかし, 代替車両を配置する最適な場所を決定することは, 乱れのランダム性や, 市内をまたがる場所を選択する性質から, 困難な問題となっている。
  論文  参考訳（メタデータ） (2024-03-06T22:06:21Z)
• Taxi dispatching strategies with compensations [2.952318265191524]
  本稿では,タクシー再割り当てを考慮した顧客への配車のための新しいアルゴリズムを提案する。 本稿では,個別に合理的なドライバーに依頼客に提案した修正案に同意させる経済補償スキームを提案する。
  論文  参考訳（メタデータ） (2024-01-21T17:54:46Z)
• 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)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Deep Reinforcement Learning to Maximize Arterial Usage during Extreme Congestion [4.934817254755007]
  本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。 エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。 エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
  論文  参考訳（メタデータ） (2023-05-16T16:53:27Z)
• 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)
• LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
  LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。 本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
  論文  参考訳（メタデータ） (2021-01-16T23:19:22Z)
• Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
  運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。 我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
  論文  参考訳（メタデータ） (2020-11-21T09:43:50Z)
• Smart Urban Mobility: When Mobility Systems Meet Smart Data [55.456196356335745]
  都市人口は都市部で約25億人に達し、道路交通量は2050年までに12億台を超えた。 輸送部門の経済貢献は欧州のGDPの5%を占め、アメリカでは平均482.05億ドルの費用がかかる。
  論文  参考訳（メタデータ） (2020-05-09T13:53:01Z)
• Decoding pedestrian and automated vehicle interactions using immersive virtual reality and interpretable deep learning [6.982614422666432]
  本研究では,自動走行車の存在による影響が期待される都市動態の重要な要素として,歩行者の横断行動について検討する。 歩行者の待ち時間はデータ駆動のCox Proportional Hazards(CPH)モデルを用いて分析される。 その結果,道路上の自動走行車の存在,広い車線幅,道路上の高密度化,観光距離の制限,歩行習慣の欠如が待ち時間の主な要因であることが示唆された。
  論文  参考訳（メタデータ） (2020-02-18T01:30:29Z)

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。