論文の概要: Intelligent Transportation Systems to Mitigate Road Traffic Congestion

• arxiv url: http://arxiv.org/abs/2106.02315v1
• Date: Fri, 4 Jun 2021 07:51:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 01:36:56.794607
• Title: Intelligent Transportation Systems to Mitigate Road Traffic Congestion
• Title（参考訳）: 道路交通渋滞軽減のためのインテリジェント交通システム
• Authors: Nizar Hamadeh, Ali Karouni, Zeinab Farhat, Hussein El Ghor, Mohamad El Ghor, and Israa Katea
• Abstract要約: 渋滞を緩和し、緊急車両ができるだけ早く到着できるよう、2つの交通管理モデルが作成されている。 ツールチェーンSUMO-JADEを用いて、トラフィックの相互作用を象徴する顕微鏡シミュレーションを作成する。 シミュレーションモデルでは、平均時間遅延が50%以上減少し、旅行時間全体の実質的な改善が見られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intelligent transport systems have efficiently and effectively proved themselves in settling up the problem of traffic congestion around the world. The multi-agent based transportation system is one of the most important intelligent transport systems, which represents an interaction among the neighbouring vehicles, drivers, roads, infrastructure and vehicles. In this paper, two traffic management models have been created to mitigate congestion and to ensure that emergency vehicles arrive as quickly as possible. A tool-chain SUMO-JADE is employed to create a microscopic simulation symbolizing the interactions of traffic. The simulation model has showed a significant reduction of at least 50% in the average time delay and thus a real improvement in the entire journey time.
• Abstract（参考訳）: インテリジェントトランスポートシステムは、世界中の交通渋滞の問題を効果的かつ効果的に解決している。 マルチエージェントベースの輸送システムは、近隣の車両、ドライバー、道路、インフラ、車両間の相互作用を表す最も重要なインテリジェント輸送システムの一つである。 本稿では,渋滞を緩和し,緊急車両ができるだけ早く到着できるよう,二つの交通管理モデルを構築した。 ツールチェーンSUMO-JADEを用いて、トラフィックの相互作用を象徴する顕微鏡シミュレーションを作成する。 シミュレーションモデルでは、平均時間遅延の少なくとも50%が顕著に減少し、旅行時間全体の実質的な改善が見られた。

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)
• 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)
• Traffic Road Congestion System using by the internet of vehicles (IoV) [0.0]
  本稿では,従来のシステムにおける交通問題について詳述し,IOV改善のメリット,拡張,理由について詳述する。 IoVの技術とツールは、IoVを作成し、SUMOを通じていくつかのトラフィックルールを解決するために必要である。 本稿では,最適化モデルと効率的なモデルの選択の観点から,2つの車両渋滞制御モデルを解析する。
  論文  参考訳（メタデータ） (2023-06-01T06:55:40Z)
• Building Transportation Foundation Model via Generative Graph Transformer [12.660129805049664]
  本稿では,交通シミュレーションの原理を交通予測に統合した交通基盤モデル(TFM)を提案する。 TFMは、移動系アクターの参加行動と相互作用を捉えるために、グラフ構造と動的グラフ生成アルゴリズムを使用する。 このデータ駆動・モデルフリーシミュレーション手法は、構造的複雑性とモデル精度の観点から、従来のシステムで直面する課題に対処する。
  論文  参考訳（メタデータ） (2023-05-24T07:34:15Z)
• Automatic Intersection Management in Mixed Traffic Using Reinforcement Learning and Graph Neural Networks [0.5801044612920815]
  接続された自動運転は、都市交通効率を大幅に改善する可能性がある。 協調行動計画(cooperative behavior planning)は、複数の車両の動作を協調的に最適化するために用いられる。 本研究は,協調型マルチエージェント計画における強化学習とグラフに基づくシーン表現を活用することを提案する。
  論文  参考訳（メタデータ） (2023-01-30T08:21:18Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing [0.26249027950824505]
  本稿では,交差点の混雑状況に応じて交通信号を調整するDRLに基づく信号制御システムを提案する。 交差点の後方の道路での渋滞に対処するため,道路ネットワーク上で車両のバランスをとるために再ルート手法を用いた。
  論文  参考訳（メタデータ） (2022-06-28T02:46:20Z)
• 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)
• 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)
• Courteous Behavior of Automated Vehicles at Unsignalized Intersections via Reinforcement Learning [30.00761722505295]
  深層強化学習を用いた混在交通状況における交差点における交通流の最適化手法を提案する。 我々の強化学習エージェントは、信号のない交差点で接続された自動運転車が道路の権利を放棄し、交通の流れを最適化するために他の車両に利する、集中型制御器のポリシーを学習する。
  論文  参考訳（メタデータ） (2021-06-11T13:16:48Z)
• 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)

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。