論文の概要: An Activity-Based Model of Transport Demand for Greater Melbourne
- arxiv url: http://arxiv.org/abs/2111.10061v1
- Date: Fri, 19 Nov 2021 06:20:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 00:18:56.363132
- Title: An Activity-Based Model of Transport Demand for Greater Melbourne
- Title（参考訳）: 大規模メルボルンの輸送需要に関する活動モデル
- Authors: Alan Both, Dhirendra Singh, Afshin Jafari, Billie Giles-Corti, Lucy
Gunn
- Abstract要約: 本稿では,メルボルン大都市圏の人工個体群作成のためのアルゴリズムを提案する。
我々の手法は完全にオープンで複製可能であり、人工的なエージェントの集団を生成するために、公開データしか必要としない。
その結果, 合成個体群は, 距離分布, モード選択, 目的地選択の点で, 様々な個体群に対して正確であることが判明した。
- 参考スコア（独自算出の注目度）: 1.322951008721555
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this paper, we present an algorithm for creating a synthetic population
for the Greater Melbourne area using a combination of machine learning,
probabilistic, and gravity-based approaches. We combine these techniques in a
hybrid model with three primary innovations: 1. when assigning activity
patterns, we generate individual activity chains for every agent, tailored to
their cohort; 2. when selecting destinations, we aim to strike a balance
between the distance-decay of trip lengths and the activity-based attraction of
destination locations; and 3. we take into account the number of trips
remaining for an agent so as to ensure they do not select a destination that
would be unreasonable to return home from. Our method is completely open and
replicable, requiring only publicly available data to generate a synthetic
population of agents compatible with commonly used agent-based modeling
software such as MATSim. The synthetic population was found to be accurate in
terms of distance distribution, mode choice, and destination choice for a
variety of population sizes.
- Abstract（参考訳）: 本稿では,機械学習,確率的,重力に基づくアプローチを組み合わせて,メルボルン大都市圏の合成人口を作成するアルゴリズムを提案する。
これらのテクニックを3つの主要なイノベーションとハイブリッドモデルで組み合わせます。
1 活動パターンを割り当てたときは、各エージェントに対して、コホートに合わせて個別の活動連鎖を生成する。
2 目的地を選択する際、旅行距離のずれと目的地の行動に基づくアトラクションとのバランスをとることを目的とする。
3 我々は、帰国が無理な目的地を選ばないように、エージェントが残す旅行の回数を考慮している。
提案手法は完全にオープンで複製可能であり,MATSimなどの一般的なエージェントベースモデリングソフトウェアと互換性のあるエージェントの合成集団を生成するために,公開データのみを必要とする。
合成個体群は, 距離分布, モード選択, 目的地選択の点で, 様々な個体群に対して正確であることがわかった。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。
我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。
あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
論文 参考訳（メタデータ） (2024-07-03T16:08:05Z) - Multi-agent Long-term 3D Human Pose Forecasting via Interaction-aware Trajectory Conditioning [41.09061877498741]
本稿では,対話型トラジェクトリ条件付き長期マルチエージェントヒューマンポーズ予測モデルを提案する。
本モデルは,人間の動作の多モード性と長期多エージェント相互作用の複雑さを効果的に扱う。
論文 参考訳（メタデータ） (2024-04-08T06:15:13Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Safe Model-Based Multi-Agent Mean-Field Reinforcement Learning [48.667697255912614]
平均場強化学習は、同一エージェントの無限集団と相互作用する代表エージェントのポリシーに対処する。
モデルベースの平均場強化学習アルゴリズムであるSafe-M$3$-UCRLを提案する。
本アルゴリズムは,低需要領域におけるサービスアクセシビリティを確保しつつ,重要な領域における需要を効果的に満たす。
論文 参考訳（メタデータ） (2023-06-29T15:57:07Z) - Copula-based transferable models for synthetic population generation [1.370096215615823]
集団合成は、マイクロエージェントの標的集団の合成的かつ現実的な表現を生成することを含む。
従来の手法は、しばしばターゲットのサンプルに依存し、高いコストと小さなサンプルサイズのために制限に直面している。
本研究では,実験的辺縁分布のみが知られている対象個体群を対象とした合成データを生成するためのコプラに基づく新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-02-17T23:58:14Z) - A deep learning framework to generate realistic population and mobility
data [5.180648702293017]
国勢調査と家庭旅行調査のデータセットは、定期的に家庭や個人から収集されている。
これらのデータセットは、プライバシの懸念による人口の限られたサンプルを表すか、集約されることが多い。
本稿では,社会経済的特徴(年齢,性別,産業など)とトリップチェーン(活動場所)の両方を含む合成人口を生成する枠組みを提案する。
論文 参考訳（メタデータ） (2022-11-14T14:05:09Z) - Traffic Agent Trajectory Prediction Using Social Convolution and
Attention Mechanism [57.68557165836806]
本稿では,自律走行車周辺における標的エージェントの軌道予測モデルを提案する。
対象エージェントの履歴トラジェクトリをアテンションマスクとしてエンコードし、ターゲットエージェントとその周辺エージェント間の対話関係をエンコードするソーシャルマップを構築する。
提案手法の有効性を検証するため,提案手法を公開データセット上の複数の手法と比較し,20%の誤差低減を実現した。
論文 参考訳（メタデータ） (2020-07-06T03:48:08Z) - DAG-Net: Double Attentive Graph Neural Network for Trajectory
Forecasting [31.77814227034554]
本稿では,単一エージェントの将来の目標と異なるエージェント間の相互作用を考慮に入れた新たな反復生成モデルを提案する。
このモデルは、二重注意に基づくグラフニューラルネットワークを利用して、異なるエージェント間の相互影響に関する情報を収集する。
提案手法は,都市環境とスポーツの両分野において,最先端の成果を得られるモデルである。
論文 参考訳（メタデータ） (2020-05-26T12:34:20Z) - Composite Travel Generative Adversarial Networks for Tabular and
Sequential Population Synthesis [5.259027520298188]
本稿では,人口の関節分布を推定するためにCTGAN(Composite Travel Generative Adversarial Network)を提案する。
CTGANモデルは、変分オートエンコーダ(VAE)法など、最近提案された他の手法と比較される。
論文 参考訳（メタデータ） (2020-04-15T00:06:52Z) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳（メタデータ） (2020-01-08T04:05:11Z)
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。