論文の概要: Activity-based and agent-based Transport model of Melbourne (AToM): an
open multi-modal transport simulation model for Greater Melbourne
- arxiv url: http://arxiv.org/abs/2112.12071v1
- Date: Thu, 16 Dec 2021 01:24:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-26 13:24:03.674532
- Title: Activity-based and agent-based Transport model of Melbourne (AToM): an
open multi-modal transport simulation model for Greater Melbourne
- Title（参考訳）: 活動ベースおよびエージェントベースのメルボルン輸送モデル(atom: a open multi-modal transport model for greater melbourne)
- Authors: Afshin Jafari, Dhirendra Singh, Alan Both, Mahsa Abdollahyar, Lucy
Gunn, Steve Pemberton, Billie Giles-Corti
- Abstract要約: 本稿では,メルボルン大都市圏に着目したマルチモーダルエージェントとアクティビティベーストランスポートシミュレーションモデルを作成する。
運転,公共交通,サイクリング,歩行の4つの主要な走行モードに対するモード選択校正のプロセスを含める。
シミュレーションモデルの出力を,モード共有,道路体積,走行時間,走行距離の観点から実世界の観測と比較した。
- 参考スコア（独自算出の注目度）: 1.1637453530816289
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agent-based and activity-based models for simulating transportation systems
have attracted significant attention in recent years. Few studies, however,
include a detailed representation of active modes of transportation - such as
walking and cycling - at a city-wide level, where dominating motorised modes
are often of primary concern. This paper presents an open workflow for creating
a multi-modal agent-based and activity-based transport simulation model,
focusing on Greater Melbourne, and including the process of mode choice
calibration for the four main travel modes of driving, public transport,
cycling and walking. The synthetic population generated and used as an input
for the simulation model represented Melbourne's population based on Census
2016, with daily activities and trips based on the Victoria's 2016-18 travel
survey data. The road network used in the simulation model includes all public
roads accessible via the included travel modes. We compared the output of the
simulation model with observations from the real world in terms of mode share,
road volume, travel time, and travel distance. Through these comparisons, we
showed that our model is suitable for studying mode choice and road usage
behaviour of travellers.
- Abstract（参考訳）: 近年, エージェントベース, アクティビティベースによる輸送システムのシミュレーションモデルが注目されている。
しかし、都市全体での歩行やサイクリングなどの交通の活発なモードの詳細な表現を含む研究はほとんどなく、電動化モードが主要な関心事であることが多い。
本稿では,メルボルン大都市圏に焦点を当てたマルチモーダルエージェントとアクティビティに基づく交通シミュレーションモデルを構築するためのオープンワークフローについて,運転,公共交通,サイクリング,歩行の4つの主要な移動モードに対するモード選択校正プロセスを含む。
シミュレーションモデルのインプットとして生成された合成人口は、2016年国勢調査に基づくメルボルンの人口であり、ビクトリア州の2016-18年旅行調査データに基づく日々の活動と旅行である。
シミュレーションモデルで使用される道路網は、含まれた旅行モードを介してアクセス可能なすべての公共道路を含んでいる。
シミュレーションモデルのアウトプットと実世界からの観測結果を, モードシェア, 道路体積, 走行時間, 走行距離の観点から比較した。
これらの比較を通じて,本モデルがトラベラーのモード選択と道路利用行動に適していることを示した。
関連論文リスト
- DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。
その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。
動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
論文 参考訳（メタデータ） (2024-11-18T03:00:33Z) - Combining data from multiple sources for urban travel mode choice modelling [0.8437187555622164]
環境に優しいモードに重点を置いて、人々がいつ異なる旅行モードを使うかを予測する必要性が高まっている。
ますます多くのケースにおいて、機械学習手法は、応答性や進行性の特徴が与えられた走行モードの選択を予測するために使われる。
本稿では,データドキュメンテーションジャーニーと,トランスポートオプションを要約するために計算した特徴を組み合わせたデータ融合を行うソフトウェアプラットフォームのアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-05-15T16:41:53Z) - Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。
GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
論文 参考訳（メタデータ） (2024-05-09T17:52:42Z) - Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳（メタデータ） (2023-12-07T18:53:27Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - Parallel Bayesian Optimization of Agent-based Transportation Simulation [0.4129225533930965]
MATSimは、道路交通、公共交通、貨物輸送、地域避難など様々な分野に適用される、オープンソースの大規模エージェントベースの交通計画プロジェクトである。
BEAMシミュレーションのエージェントは、マルチノードロジットモデルに基づく「モード選択」の振る舞いを示す。
そこで本研究では,自転車,車,歩行,車いす,車いす,車いす,車いす,車いす,車いす,車いす,車いす,車いす,車いすの8つのモードの選択について検討した。
与えられたマルチイン・マルチアウト問題に対する高速収束を実現するために,早期停止規則付き並列ベイズ最適化法を提案する。
論文 参考訳（メタデータ） (2022-07-11T17:49:29Z) - A Hierarchical Pedestrian Behavior Model to Generate Realistic Human
Behavior in Traffic Simulation [11.525073205608681]
本稿では,行動木を用いた階層的歩行者行動モデルを提案する。
私たちの作業の完全な実装は、シナリオ定義と実行エンジンであるGeoScenario Serverに統合されます。
提案モデルでは,実際の歩行者の軌跡を高精度に再現し,意思決定精度を98%以上とした。
論文 参考訳（メタデータ） (2022-06-01T02:04:38Z) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳（メタデータ） (2021-01-17T00:29:30Z)
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。