論文の概要: Dynamic Origin-Destination Matrix Estimation in Urban Traffic Networks
- arxiv url: http://arxiv.org/abs/2202.00099v1
- Date: Mon, 31 Jan 2022 21:33:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-03 04:45:59.236280
- Title: Dynamic Origin-Destination Matrix Estimation in Urban Traffic Networks
- Title（参考訳）: 都市交通ネットワークにおける動的起源決定行列の推定
- Authors: Nicklas Sindlev Andersen, Marco Chiarandini, Kristian Debrabant
- Abstract要約: この問題を二段階最適化問題としてモデル化する。
内部レベルでは、暫定的な旅行需要を前提として、動的な交通割当問題を解決し、利用者の出身地と目的地間のルーティングを決定する。
外層部では,交通ネットワーク内のセンサによって測定された車両数と内層部で発生したカウンタの差を最小限に抑えることを目的として,旅行数とその出発点および目的地の調整を行う。
- 参考スコア（独自算出の注目度）: 0.05735035463793007
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given the counters of vehicles that traverse the roads of a traffic network,
we aim at reconstructing the travel demand that generated them expressed in
terms of the number of origin-destination trips made by users. We model the
problem as a bi-level optimization problem. In the inner level, given a
tentative travel demand, we solve a dynamic traffic assignment problem to
decide the routing of the users between their origins and destinations. In the
outer level, we adjust the number of trips and their origins and destinations,
aiming at minimizing the discrepancy between the consequent counters generated
in the inner level and the given vehicle counts measured by sensors in the
traffic network. We solve the dynamic traffic assignment problem employing a
mesoscopic model implemented by the traffic simulator SUMO. Thus, the outer
problem becomes an optimization problem that minimizes a black-box objective
function determined by the results of the simulation, which is a costly
computation. We study different approaches to the outer level problem
categorized as gradient-based and derivative-free approaches. Among the
gradient-based approaches, we study an assignment matrix-based approach and an
assignment matrix-free approach that uses the Simultaneous Perturbation
Stochastic Approximation (SPSA) algorithm. Among the derivative-free
approaches, we study machine learning algorithms to learn a model of the
simulator that can then be used as a surrogated objective function in the
optimization problem. We compare these approaches computationally on an
artificial network. The gradient-based approaches perform the best in terms of
archived solution quality and computational requirements, while the results
obtained by the machine learning approach are currently less satisfactory but
provide an interesting avenue of future research.
- Abstract（参考訳）: 交通ネットワークの道路を横断する車両のカウンタを考えると,利用者が生み出す移動の回数で表現した交通需要を再構築することを目的としている。
問題を二段階最適化問題としてモデル化する。
内部レベルでは、暫定的な旅行需要を前提として、動的トラフィック割り当て問題を解決し、利用者の出身地と目的地間のルーティングを決定する。
外層部では,交通ネットワーク内のセンサによって測定された車両数と内層部で発生したコンカウンタの差を最小限に抑えることを目的として,旅行数とその出発点および目的地の調整を行う。
交通シミュレータSUMOにより実装されたメソスコピックモデルを用いた動的交通割当問題を解く。
したがって、外部問題は、コストのかかる計算であるシミュレーションの結果によって決定されるブラックボックス目的関数を最小限に抑える最適化問題となる。
本研究では, 外層問題に対する異なるアプローチを, 勾配ベースと微分フリーのアプローチに分類した。
勾配に基づくアプローチの中で, 同時摂動確率近似(SPSA)アルゴリズムを用いた代入行列ベースアプローチと代入行列フリーアプローチについて検討する。
デリバティブフリー手法の1つとして,最適化問題における対象関数として使用できるシミュレータのモデルを学ぶために,機械学習アルゴリズムを研究した。
これらのアプローチを人工ネットワーク上で計算的に比較する。
勾配に基づくアプローチは、アーカイブされたソリューションの品質と計算要求の観点で最善を尽くし、一方、機械学習のアプローチで得られた結果は、現在はあまり満足できないが、将来の研究の興味深い道筋を提供する。
関連論文リスト
- Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。
本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
論文 参考訳（メタデータ） (2024-10-29T14:41:44Z) - Efficient Neural Network Approaches for Conditional Optimal Transport with Applications in Bayesian Inference [1.740133468405535]
静的および条件付き最適輸送(COT)問題の解を近似する2つのニューラルネットワークアプローチを提案する。
我々は、ベンチマークデータセットとシミュレーションに基づく逆問題を用いて、両アルゴリズムを競合する最先端のアプローチと比較する。
論文 参考訳（メタデータ） (2023-10-25T20:20:09Z) - Genetic Algorithms with Neural Cost Predictor for Solving Hierarchical Vehicle Routing Problems [20.684353068460375]
車両の経路決定が高次決定と連動する場合、結果の最適化問題は計算に重大な課題をもたらす。
本稿では,ニューラルコスト予測器を用いた遺伝的アルゴリズム(GANCP)という,ディープラーニングに基づく新しいアプローチを提案する。
特に,提案するニューラルネットワークは,静電容量化車両ルーティング問題を解決するHGS-CVRPオープンソースパッケージの目的値について学習する。
論文 参考訳（メタデータ） (2023-10-22T02:46:37Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - Fast and computationally efficient generative adversarial network
algorithm for unmanned aerial vehicle-based network coverage optimization [1.2853186701496802]
移動ネットワークにおける動的な交通需要の課題は、無人航空機をベースとした移動セルに対処されている。
将来,無人航空機の膨大な可能性を考えると,カバー範囲最適化のための新しいアルゴリズムを提案する。
提案アルゴリズムは,一意の多層和プーリング損失関数を持つ条件付き生成逆ニューラルネットワークに基づいて実装された。
論文 参考訳（メタデータ） (2022-03-25T12:13:21Z) - Cooperative Behavioral Planning for Automated Driving using Graph Neural
Networks [0.5801044612920815]
本研究は,複数の車両を共同で計画することで,都市交差点における交通流の最適化に機械学習アルゴリズムを活用することを提案する。
学習に基づく行動計画にはいくつかの課題が伴い、適切な入力と出力の表現と大量の基幹データを要求する。
自動運転における意思決定のためのオープンソースのシミュレーション環境において,提案手法を訓練し,評価する。
論文 参考訳（メタデータ） (2022-02-23T09:36:15Z) - Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural
Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。
提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文 参考訳（メタデータ） (2021-02-24T05:02:19Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳（メタデータ） (2020-01-22T08:51:05Z)
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。