論文の概要: Proactive Distributed Constraint Optimization of Heterogeneous Incident
Vehicle Teams
- arxiv url: http://arxiv.org/abs/2207.11132v1
- Date: Sat, 16 Jul 2022 13:43:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-31 14:24:55.250057
- Title: Proactive Distributed Constraint Optimization of Heterogeneous Incident
Vehicle Teams
- Title(参考訳): 不均質インシデント車両チームのアクティブ分散制約最適化
- Authors: Justice Darko and Hyoshin Park
- Abstract要約: 交通インシデント管理(TIM)プログラムは、緊急リソースの配置を即時インシデント要求に調整する。
環境におけるインシデントの進化に固有の相互依存を無視しながら、現在のデプロイメント決定は短命です。
本研究は,分散制約最適化問題(DCOP)に基づく新しいプロアクティブフレームワークを開発し,上記の制約に対処する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditionally, traffic incident management (TIM) programs coordinate the
deployment of emergency resources to immediate incident requests without
accommodating the interdependencies on incident evolutions in the environment.
However, ignoring inherent interdependencies on the evolution of incidents in
the environment while making current deployment decisions is shortsighted, and
the resulting naive deployment strategy can significantly worsen the overall
incident delay impact on the network. The interdependencies on incident
evolution in the environment, including those between incident occurrences, and
those between resource availability in near-future requests and the anticipated
duration of the immediate incident request, should be considered through a
look-ahead model when making current-stage deployment decisions. This study
develops a new proactive framework based on the distributed constraint
optimization problem (DCOP) to address the above limitations, overcoming
conventional TIM models that cannot accommodate the dependencies in the TIM
problem. Furthermore, the optimization objective is formulated to incorporate
Unmanned Aerial Vehicles (UAVs). The UAVs' role in TIM includes exploring
uncertain traffic conditions, detecting unexpected events, and augmenting
information from roadway traffic sensors. Robustness analysis of our model for
multiple TIM scenarios shows satisfactory performance using local search
exploration heuristics. Overall, our model reports a significant reduction in
total incident delay compared to conventional TIM models. With UAV support, we
demonstrate a further decrease in the overall incident delay through the
shorter response time of emergency vehicles, and a reduction in uncertainties
associated with the estimated incident delay impact.
- Abstract(参考訳): トラヒックインシデント管理(TIM)プログラムは、環境におけるインシデント進化の相互依存を伴わずに、緊急リソースの即時インシデント要求への展開を調整する。
しかし、現在のデプロイメント決定を行いながら、環境におけるインシデントの発生に固有の相互依存を無視して、結果として生じるナイーブなデプロイメント戦略は、ネットワーク全体のインシデント遅延の影響を著しく悪化させる可能性がある。
インシデント発生と、近未来の要求における資源の可利用性と、即時インシデント要求の予測期間との間の環境におけるインシデント進化の相互依存性は、現段階のデプロイメント決定を行う際に、ルックアヘッドモデルにより考慮されるべきである。
本研究では, 分散制約最適化問題(distributed constraints optimization problem, dcop)に基づく新しいプロアクティブフレームワークを開発した。
さらに、最適化の目的は無人航空機(UAV)を組み込むように定式化されている。
TIMにおけるUAVの役割には、不確実な交通状況の探索、予期せぬ出来事の検出、道路交通センサからの情報の増強などが含まれる。
複数のTIMシナリオに対するロバスト性解析は,局所探索ヒューリスティックスを用いて良好な性能を示す。
本モデルでは,従来のTIMモデルと比較して,事故発生の遅れが大幅に減少した。
UAV のサポートにより,緊急車両の応答時間短縮による総合的な事故遅延の低減が図られ,事故遅延の予測による不確実性の低減が示された。
関連論文リスト
- Unveiling Delay Effects in Traffic Forecasting: A Perspective from
Spatial-Temporal Delay Differential Equations [20.174094418301245]
交通流予測は交通計画と管理の基本的な研究課題である。
近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。
1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
論文 参考訳(メタデータ) (2024-02-02T08:55:23Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-11-27T18:57:42Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-02T17:13:16Z) - Machine learning framework for end-to-end implementation of Incident
duration prediction [0.0]
本研究では,インシデントレポートの受信時に利用可能な情報に基づいて,インシデント時間を予測するための分析フレームワークとエンドツーエンド機械学習ソリューションを開発した。
その結果, 従来の研究手法と比較して, 事故発生期間の予測は有意に改善した。
論文 参考訳(メタデータ) (2023-04-23T00:55:19Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - Deep Reinforcement Learning for Trajectory Path Planning and Distributed
Inference in Resource-Constrained UAV Swarms [6.649753747542209]
本研究の目的は,UAVSwarmにおける分散協調推論要求と経路計画のためのモデルの設計である。
定式化問題はNPハードであるため、最適解を見つけることは極めて複雑である。
我々は、広範囲なシミュレーションを行い、その結果を、我々のモデルが競合モデルより優れていることを示す最先端の研究と比較する。
論文 参考訳(メタデータ) (2022-12-21T17:16:42Z) - Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [59.125047512495456]
重み付き時間遅延フィードバック機構を備えた新しいゲートリカレントユニット(GRU)を導入する。
我々は、$tau$-GRUが、最先端のリカレントユニットやゲート型リカレントアーキテクチャよりも早く収束し、より一般化できることを示します。
論文 参考訳(メタデータ) (2022-12-01T02:26:34Z) - Accurate non-stationary short-term traffic flow prediction method [0.0]
本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。
提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
論文 参考訳(メタデータ) (2022-05-01T17:11:34Z) - Spatial-Temporal Conv-sequence Learning with Accident Encoding for
Traffic Flow Prediction [17.94199362114272]
インテリジェント交通システムにおいて、交通予測の重要な問題は、周期的時間的依存関係と複雑な空間的相関を抽出する方法である。
本研究では、集中時間ブロックが一方向の畳み込みを用いて、短時間の時間的依存を効果的に捉えた時空間連続学習(STCL)を提案する。
本研究では,大規模実世界のタスクについて広範な実験を行い,提案手法の有効性を検証した。
論文 参考訳(メタデータ) (2021-05-21T17:43:07Z) - Learning to Communicate and Correct Pose Errors [75.03747122616605]
本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。
本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-10T18:19:40Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
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。