論文の概要: Estimating and Mitigating the Congestion Effect of Curbside Pick-ups and
Drop-offs: A Causal Inference Approach
- arxiv url: http://arxiv.org/abs/2206.02164v1
- Date: Sun, 5 Jun 2022 12:35:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-10 10:20:55.327316
- Title: Estimating and Mitigating the Congestion Effect of Curbside Pick-ups and
Drop-offs: A Causal Inference Approach
- Title（参考訳）: カーブサイドピックアップとドロップオフの混雑効果の推定と緩和:因果推論手法
- Authors: Xiaohui Liu and Sean Qian and Wei Ma
- Abstract要約: 相乗り旅行や商業輸送の急速な増加は、大規模なピックアップ/ドロップオフ(PUDO)を引き起こしている。
本稿では,PUDOの一般ネットワークにおける混雑効果を推定するために,厳密な因果推論手法を開発する。
マンハッタン地域の実世界データを用いて数値実験を行った。
- 参考スコア（独自算出の注目度）: 12.618627656402971
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Curb space is one of the busiest areas in urban road networks. Especially in
recent years, the rapid increase of ride-hailing trips and commercial
deliveries has induced massive pick-ups/drop-offs (PUDOs), which occupy the
limited curb space that was designed and built decades ago. These PUDOs could
jam curb utilization and disturb the mainline traffic flow, evidently leading
to significant societal externalities. However, there is a lack of an
analytical framework that rigorously quantifies and mitigates the congestion
effect of PUDOs in the system view, particularly with little data support and
involvement of confounding effects. In view of this, this paper develops a
rigorous causal inference approach to estimate the congestion effect of PUDOs
on general networks. A causal graph is set to represent the spatio-temporal
relationship between PUDOs and traffic speed, and a double and separated
machine learning (DSML) method is proposed to quantify how PUDOs affect traffic
congestion. Additionally, a re-routing formulation is developed and solved to
encourage passenger walking and traffic flow re-routing to achieve system
optimal. Numerical experiments are conducted using real-world data in the
Manhattan area. On average, 100 additional units of PUDOs in a region could
reduce the traffic speed by 3.70 and 4.54 mph on weekdays and weekends,
respectively. Re-routing trips with PUDOs on curbs could respectively reduce
the system-wide total travel time by 2.44\% and 2.12\% in Midtown and Central
Park on weekdays. Sensitivity analysis is also conducted to demonstrate the
effectiveness and robustness of the proposed framework.
- Abstract（参考訳）: カーブスペースは都市道路網でもっとも忙しい地域の一つである。
特に近年は、何十年にもわたって設計・製造された制限区域を占有する大規模なピックアップ/ドロップオフ(PUDO)が急速に増加している。
これらのPUDOは、抑制利用を妨害し、メインラインの交通の流れを妨害し、明らかに社会的外部性を著しく損なう可能性がある。
しかし、システムビューにおけるPUDOの混雑効果を厳格に定量化し緩和する分析フレームワークが欠如している。
そこで本研究では,PUDOの一般ネットワークにおける混雑効果を推定するために,厳密な因果推論手法を開発した。
因果グラフは、PUDOと交通速度の時空間関係を表すように設定され、PUDOが交通渋滞に与える影響を定量化するために、二重分離機械学習(DSML)法が提案されている。
さらに、乗客の歩行と交通流の再循環を促進させ、システム最適化を図るために、再ルートの定式化を開発し、解決した。
マンハッタン地域の実世界データを用いて数値実験を行った。
1つの地域でのPUDOは、平日と週末にそれぞれ3.70mphと4.54mphの速さで100台追加される。
PUDOの縁石での往復は、平日にミッドタウンとセントラルパークでそれぞれ2.44\%と2.12\%のシステム全体の旅行時間を短縮することができる。
また,提案手法の有効性とロバスト性を示すために感度解析を行った。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。
本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。
CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
論文 参考訳（メタデータ） (2024-06-14T12:57:17Z) - ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。
ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
論文 参考訳（メタデータ） (2024-04-22T03:35:19Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳（メタデータ） (2023-06-13T05:58:57Z) - Deep Reinforcement Learning to Maximize Arterial Usage during Extreme
Congestion [4.934817254755007]
本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。
エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。
エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
論文 参考訳（メタデータ） (2023-05-16T16:53:27Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - 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) - A Reinforcement Learning-based Adaptive Control Model for Future Street
Planning, An Algorithm and A Case Study [3.5368898558786768]
インテリジェントストリートは、道路利用者のための道路右翼(ROW)における意思決定を学習し、改善することができる。
我々は,マルチエージェントのDeep Deterministic Policy Gradient (MADDPG)アルゴリズムに基づくソリューションを開発した。
本モデルでは、路上駐車および車両運転に割り当てられた街路空間において、平均3.87%と6.26%の削減を達成できる。
論文 参考訳（メタデータ） (2021-12-10T10:32:46Z) - Urban traffic dynamic rerouting framework: A DRL-based model with
fog-cloud architecture [0.7046417074932257]
本研究では,GAQ(Graph Attention Network - Deep Q Learning)とEBkSP(Entropy Based k Shortest Path)を組み合わせた2段階モデルを提案する。
まず、GAQは、各道路と霧のエリアの交通状況を分析し、その周辺地域と周辺地域の情報に基づいて道路指標を割り当てる。
第2に、EBkSPは車両の優先度と経路人気に基づいて各車両に経路を割り当てる。
論文 参考訳（メタデータ） (2021-10-11T18:15:44Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z)
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。