論文の概要: Estimating the Robustness of Public Transport Systems Using Machine
Learning
- arxiv url: http://arxiv.org/abs/2106.08967v1
- Date: Thu, 10 Jun 2021 05:52:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-20 16:44:13.109848
- Title: Estimating the Robustness of Public Transport Systems Using Machine
Learning
- Title(参考訳): 機械学習による公共交通システムのロバスト性の推定
- Authors: Matthias M\"uller-Hannemann and Ralf R\"uckert and Alexander Schiewe
and Anita Sch\"obel
- Abstract要約: 公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。
乗客の観点からの堅牢性の統合により、作業はさらに困難になる。
本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
- 参考スコア(独自算出の注目度): 62.997667081978825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The planning of attractive and cost efficient public transport systems is a
highly complex optimization process involving many steps. Integrating
robustness from a passenger's point of view makes the task even more
challenging. With numerous different definitions of robustness in literature, a
real-world acceptable evaluation of the robustness of a public transport system
is to simulate its performance under a large number of possible scenarios.
Unfortunately, this is computationally very expensive. In this paper, we
therefore explore a new way of such a scenario-based robustness approximation
by using methods from machine learning. We achieve a fast approach with a very
high accuracy by gathering a subset of key features of a public transport
system and its passenger demand and training an artificial neural network to
learn the outcome of a given set of robustness tests. The network is then able
to predict the robustness of untrained instances with high accuracy using only
its key features, allowing for a robustness oracle for transport planners that
approximates the robustness in constant time. Such an oracle can be used as
black box to increase the robustness within a local search framework for
integrated public transportation planning. In computational experiments with
different benchmark instances we demonstrate an excellent quality of our
predictions.
- Abstract(参考訳): 魅力的で費用効率の良い公共交通システムの計画は、多くのステップを含む非常に複雑な最適化プロセスである。
乗客の視点からの堅牢性の統合は、タスクをさらに難しくします。
文学におけるロバスト性に関する多くの異なる定義により、公共交通機関のロバスト性に対する現実的に許容される評価は、多くのシナリオでその性能をシミュレートすることである。
残念ながら、これは計算コストが非常に高い。
そこで本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
我々は,公共交通機関の重要な特徴のサブセットを収集し,その需要を把握し,与えられたロバスト性テストの結果を学習するために,ニューラルネットワークを訓練することにより,高速なアプローチを実現する。
ネットワークは、重要機能のみを使用して、訓練されていないインスタンスのロバスト性を高精度に予測し、一定時間内にロバスト性を近似するトランスポートプランナーのためのロバストネスオラクルを可能にする。
このようなオラクルは、統合公共交通計画のためのローカル検索フレームワークにおける堅牢性を高めるためにブラックボックスとして使用できる。
異なるベンチマークインスタンスを用いた計算実験では、予測の優れた品質を示す。
関連論文リスト
- Multi-Objective Algorithms for Learning Open-Ended Robotic Problems [1.0124625066746598]
四足歩行は、自動運転車の普及に不可欠な複雑でオープンな問題である。
従来の強化学習アプローチは、トレーニングの不安定性とサンプルの非効率のため、しばしば不足する。
自動カリキュラム学習機構として多目的進化アルゴリズムを活用する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T16:26:42Z) - PNAS-MOT: Multi-Modal Object Tracking with Pareto Neural Architecture Search [64.28335667655129]
複数の物体追跡は、自律運転において重要な課題である。
トラッキングの精度が向上するにつれて、ニューラルネットワークはますます複雑になり、レイテンシが高いため、実際の運転シナリオにおける実践的な応用に課題が生じる。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法を用いて追跡のための効率的なアーキテクチャを探索し,比較的高い精度を維持しつつ,低リアルタイム遅延を実現することを目的とした。
論文 参考訳(メタデータ) (2024-03-23T04:18:49Z) - DTC: Deep Tracking Control [16.2850135844455]
本研究では,両世界の強靭性,フット配置精度,地形の一般化を両世界の利点と組み合わせたハイブリッド制御アーキテクチャを提案する。
深層ニューラルネットワークポリシは、最適化された足場を追跡することを目的として、シミュレーションでトレーニングされている。
モデルベースに比べて滑りやすい地盤や変形可能な地盤が存在する場合の強靭性を示す。
論文 参考訳(メタデータ) (2023-09-27T07:57:37Z) - Pushing the Limits of Learning-based Traversability Analysis for
Autonomous Driving on CPU [1.841057463340778]
本稿では,リアルタイム機械学習に基づくトラバーサビリティ分析手法の提案と評価を行う。
新しい幾何学的特徴と視覚的特徴を統合し、重要な実装の詳細に焦点を当てることで、パフォーマンスと信頼性が著しく向上することを示します。
提案手法は、屋外運転シナリオのパブリックデータセットに関する最先端のDeep Learningアプローチと比較されている。
論文 参考訳(メタデータ) (2022-06-07T07:57:34Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳(メタデータ) (2022-05-16T12:14:42Z) - High Efficiency Pedestrian Crossing Prediction [0.0]
歩行者の横断意図を予測する最先端の手法は、入力として複数の情報ストリームに依存することが多い。
入力には歩行者のフレームのみのネットワークを導入する。
実験は、我々のモデルが常に優れたパフォーマンスを提供することを検証します。
論文 参考訳(メタデータ) (2022-04-04T21:37:57Z) - Deployment Optimization for Shared e-Mobility Systems with Multi-agent
Deep Neural Search [15.657420177295624]
共有e-mobilityサービスは世界中の都市で広くテストされ、試験運用されている。
本稿では,持続的な収益性を維持しつつ,ユーザに対してユビキタスなサービスを実現するための,空間的・時間的インフラストラクチャの展開と管理方法について検討する。
我々は,共有電子移動システムの主要動作詳細を粒度で抽象化した高忠実度シミュレーション環境を設計することで,この問題に対処する。
論文 参考訳(メタデータ) (2021-11-03T11:37:11Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳(メタデータ) (2021-07-28T10:28:05Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳(メタデータ) (2021-05-20T17:52:37Z) - Deep Multi-Task Learning for Joint Localization, Perception, and
Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。
我々は,認識,予測,局所化を共同で行うシステムの設計を行う。
本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文 参考訳(メタデータ) (2021-01-17T17:20:31Z)
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。