論文の概要: Parallel Bayesian Optimization of Agent-based Transportation Simulation
- arxiv url: http://arxiv.org/abs/2207.05041v1
- Date: Mon, 11 Jul 2022 17:49:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-12 16:28:22.513753
- Title: Parallel Bayesian Optimization of Agent-based Transportation Simulation
- Title(参考訳): エージェントベース輸送シミュレーションの並列ベイズ最適化
- Authors: Kiran Chhatre, Sidney Feygin, Colin Sheppard, Rashid Waraich
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.4129225533930965
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: MATSim (Multi-Agent Transport Simulation Toolkit) is an open source
large-scale agent-based transportation planning project applied to various
areas like road transport, public transport, freight transport, regional
evacuation, etc. BEAM (Behavior, Energy, Autonomy, and Mobility) framework
extends MATSim to enable powerful and scalable analysis of urban transportation
systems. The agents from the BEAM simulation exhibit 'mode choice' behavior
based on multinomial logit model. In our study, we consider eight mode choices
viz. bike, car, walk, ride hail, driving to transit, walking to transit, ride
hail to transit, and ride hail pooling. The 'alternative specific constants'
for each mode choice are critical hyperparameters in a configuration file
related to a particular scenario under experimentation. We use the
'Urbansim-10k' BEAM scenario (with 10,000 population size) for all our
experiments. Since these hyperparameters affect the simulation in complex ways,
manual calibration methods are time consuming. We present a parallel Bayesian
optimization method with early stopping rule to achieve fast convergence for
the given multi-in-multi-out problem to its optimal configurations. Our model
is based on an open source HpBandSter package. This approach combines hierarchy
of several 1D Kernel Density Estimators (KDE) with a cheap evaluator
(Hyperband, a single multidimensional KDE). Our model has also incorporated
extrapolation based early stopping rule. With our model, we could achieve a 25%
L1 norm for a large-scale BEAM simulation in fully autonomous manner. To the
best of our knowledge, our work is the first of its kind applied to large-scale
multi-agent transportation simulations. This work can be useful for surrogate
modeling of scenarios with very large populations.
- Abstract(参考訳): MATSim (Multi-Agent Transport Simulation Toolkit) 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(Behavior, Energy, Autonomy, and Mobility)フレームワークはMATSimを拡張し、都市交通システムの強力でスケーラブルな分析を可能にする。
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。
本研究では,自転車,車,徒歩,乗用車,乗用車,乗用車,乗用車,乗用車,乗用車,乗用車プールの8つのモードについて検討した。
各モード選択の'alternative specific constants'は、実験中の特定のシナリオに関連する設定ファイルの臨界ハイパーパラメータである。
実験のすべてに'Urbansim-10k' BEAM のシナリオ(人口は10,000人)を使用します。
これらのハイパーパラメータは複雑な方法でシミュレーションに影響を与えるため、手動キャリブレーション法は時間を要する。
本稿では, 初期停止規則を持つ並列ベイズ最適化法を提案し, 最適構成に対する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。
私たちのモデルはオープンソースのHpBandSterパッケージをベースにしています。
このアプローチは、複数の1次元カーネル密度推定器 (KDE) の階層構造と安価な評価器 (Hyperband, a single multidimensional KDE) を組み合わせる。
我々のモデルは外挿に基づく早期停止規則も取り入れている。
本モデルにより,大規模BEAMシミュレーションの25%のL1ノルムを完全自律的に達成できる。
我々の知る限りでは、我々の研究は大規模なマルチエージェント輸送シミュレーションに適用された最初のものである。
この研究は、非常に大きな人口を持つシナリオのサロゲートモデリングに有用である。
関連論文リスト
- 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) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-16T16:54:10Z) - 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) - Deep Learning-based Spatially Explicit Emulation of an Agent-Based
Simulator for Pandemic in a City [0.6875312133832077]
エージェントベースモデルは、都市におけるパンデミックの拡散など、物理的または社会的プロセスのシミュレーションに有用である。
このようなモデルは計算には非常に高価であり、複雑度はしばしばエージェントの総数で線形である。
本稿では,エージェントベースモデルを高精度にエミュレート可能なDilated Convolutional Neural Networkに基づくディープラーニングモデルについて論じる。
論文 参考訳(メタデータ) (2022-05-28T10:56:37Z) - Bayesian Calibration for Activity Based Models [1.7403133838762443]
ABMは、大都市圏の旅行パターンを予測するために、旅行者の行動の統計モデルに依存している。
本研究では,ガウスプロセスエミュレータを用いて,大都市移植システムの活動ベースモデルを校正する手法を開発した。
論文 参考訳(メタデータ) (2022-03-08T21:38:07Z) - 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) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳(メタデータ) (2020-08-13T17:20:02Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z)
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。