論文の概要: Route Optimization via Environment-Aware Deep Network and Reinforcement
Learning
- arxiv url: http://arxiv.org/abs/2111.09124v1
- Date: Tue, 16 Nov 2021 02:19:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-18 14:22:47.400775
- Title: Route Optimization via Environment-Aware Deep Network and Reinforcement
Learning
- Title(参考訳): 環境対応深層ネットワークと強化学習による経路最適化
- Authors: Pengzhan Guo, Keli Xiao, Zeyang Ye and Wei Zhu
- Abstract要約: 車両サービス提供者(タクシー運転手など)の収益性を最大化するモバイルシーケンシャルレコメンデーションシステムを開発する。
顧客ピックアップポイント監視のための自己チェック機構とディープニューラルネットワークを統合することにより,この問題に対処するための強化学習フレームワークを提案する。
新型コロナウイルスの感染拡大前後のニューヨーク市における黄色いタクシーデータをもとに,本手法の有効性を評価するための総合的な実験を行った。
- 参考スコア(独自算出の注目度): 7.063811319445716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicle mobility optimization in urban areas is a long-standing problem in
smart city and spatial data analysis. Given the complex urban scenario and
unpredictable social events, our work focuses on developing a mobile sequential
recommendation system to maximize the profitability of vehicle service
providers (e.g., taxi drivers). In particular, we treat the dynamic route
optimization problem as a long-term sequential decision-making task. A
reinforcement-learning framework is proposed to tackle this problem, by
integrating a self-check mechanism and a deep neural network for customer
pick-up point monitoring. To account for unexpected situations (e.g., the
COVID-19 outbreak), our method is designed to be capable of handling related
environment changes with a self-adaptive parameter determination mechanism.
Based on the yellow taxi data in New York City and vicinity before and after
the COVID-19 outbreak, we have conducted comprehensive experiments to evaluate
the effectiveness of our method. The results show consistently excellent
performance, from hourly to weekly measures, to support the superiority of our
method over the state-of-the-art methods (i.e., with more than 98% improvement
in terms of the profitability for taxi drivers).
- Abstract(参考訳): 都市部における車両移動の最適化は、スマートシティと空間データ分析における長年の問題である。
複雑な都市シナリオと予測不能な社会イベントを考えると,我々は,自動車サービス提供者(タクシー運転手など)の収益性を最大化するモバイル・シーケンシャル・レコメンデーション・システムの開発に重点を置いている。
特に, 動的経路最適化問題を, 長期逐次意思決定課題として扱う。
顧客ピックアップポイント監視のための自己チェック機構とディープニューラルネットワークを統合することにより,この問題に対処するための強化学習フレームワークを提案する。
予期せぬ状況(例えば、COVID-19の流行)を考慮し、自己適応的パラメータ決定機構を用いて、関連する環境変化を処理できるように設計されている。
新型コロナウイルスの感染拡大前後のニューヨーク市における黄色いタクシーデータをもとに,本手法の有効性を評価するための総合的な実験を行った。
その結果, 運転者の利益率を98%以上向上させながら, 運転方法の優越性を高めるため, 時間単位から週単位まで, 一貫して優れた性能が得られた。
関連論文リスト
- A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data [0.0]
本研究では,機械学習アルゴリズムと実交通情報を組み合わせた都市移動性向上手法を提案する。
ニューヨーク市の黄色いタクシー旅行のデータを用いて,旅行時間と渋滞解析の予測モデルを構築した。
本研究は、高度データ駆動方式による都市渋滞の低減と交通効率の向上を目的とした継続的な取り組みに寄与する。
論文 参考訳(メタデータ) (2024-10-07T16:16:49Z) - 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) - OTClean: Data Cleaning for Conditional Independence Violations using
Optimal Transport [51.6416022358349]
sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。
我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
論文 参考訳(メタデータ) (2024-03-04T18:23:55Z) - Learning-based Online Optimization for Autonomous Mobility-on-Demand
Fleet Control [8.020856741504794]
自律移動オンデマンドシステムのためのオンライン制御アルゴリズムについて検討する。
我々は、オンラインディスパッチとリバランスポリシーを学習する、新しいハイブリッド強化機械学習パイプラインを開発した。
提案手法は,最先端の欲求とモデル予測制御のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2023-02-08T09:40:30Z) - Optimal service station design for traffic mitigation via genetic
algorithm and neural network [3.7597202216941783]
交通渋滞とピークトラフィック減少の両面から,サービスステーションを最適に設計し,良好な効果を得られるか,という課題に着目する。
本稿では,最近提案されたCTMに基づく遺伝的アルゴリズムを提案する。
我々はアルゴリズムを利用して、同じ問題を解決することができるニューラルネットワークを訓練し、CTMの実装を避けます。
論文 参考訳(メタデータ) (2022-11-18T11:11:07Z) - An ASP Framework for Efficient Urban Traffic Optimization [0.0]
本稿では,数百台の車両による大規模道路網における交通流を効率的にシミュレートし,最適化する枠組みを提案する。
このフレームワークは、Answer Set Programming (ASP)エンコーディングを利用して、ネットワーク内の車両の動きを正式に記述する。
これにより、ネットワーク内の車両の経路を最適化し、関連するメトリクスの幅を減らすことができる。
論文 参考訳(メタデータ) (2022-08-05T10:50:38Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳(メタデータ) (2021-05-28T08:45:37Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-26T02:08:07Z) - SS-SFDA : Self-Supervised Source-Free Domain Adaptation for Road
Segmentation in Hazardous Environments [54.22535063244038]
本研究では,雨や霧などの悪天候条件下での道路の非監督的区画化に対する新しいアプローチを提案する。
これには、自己教師付き学習を用いたソースフリードメイン適応(SFDA)のための新しいアルゴリズムが含まれている。
実際の悪天候条件と合成悪天候条件に対応するデータセットを6ドルで評価した。
論文 参考訳(メタデータ) (2020-11-27T09:19:03Z) - Idle Vehicle Relocation Strategy through Deep Learning for Shared
Autonomous Electric Vehicle System Optimization [2.580765958706854]
本研究では、アイドル車配置問題に対する最適解を瞬時に予測できるディープラーニングに基づくアルゴリズムを提案する。
本稿では,SAEV車両と充電ステーションの設計を含む最適サービスシステムを提案する。
論文 参考訳(メタデータ) (2020-10-16T05:06:58Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳(メタデータ) (2020-02-21T07:29:15Z)
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。