論文の概要: An ASP Framework for Efficient Urban Traffic Optimization
- arxiv url: http://arxiv.org/abs/2208.03097v1
- Date: Fri, 5 Aug 2022 10:50:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 12:30:05.429142
- Title: An ASP Framework for Efficient Urban Traffic Optimization
- Title（参考訳）: 効率的な都市交通最適化のためのASPフレームワーク
- Authors: Matteo Cardellini (Politecnico di Torino)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Avoiding congestion and controlling traffic in urban scenarios is becoming
nowadays of paramount importance due to the rapid growth of our cities'
population and vehicles. The effective control of urban traffic as a means to
mitigate congestion can be beneficial in an economic, environmental and health
way. In this paper, a framework which allows to efficiently simulate and
optimize traffic flow in a large roads' network with hundreds of vehicles is
presented. The framework leverages on an Answer Set Programming (ASP) encoding
to formally describe the movements of vehicles inside a network. Taking
advantage of the ability to specify optimization constraints in ASP and the
off-the-shelf solver Clingo, it is then possible to optimize the routes of
vehicles inside the network to reduce a range of relevant metrics (e.g., travel
times or emissions). Finally, an analysis on real-world traffic data is
performed, utilizing the state-of-the-art Urban Mobility Simulator (SUMO) to
keep track of the state of the network, test the correctness of the solution
and to prove the efficiency and capabilities of the presented solution.
- Abstract（参考訳）: 都市部における渋滞の回避と交通規制は,都市人口や車両の急速な増加により,近年重要になっている。
渋滞を緩和する手段としての都市交通の効果的な制御は、経済的、環境的、健康的な方法で有益である。
本稿では,数百台の車両を有する大道路網における交通の流れを効率的にシミュレーション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。
ASP とオフザシェルフ解決器 Clingo の最適化制約を指定できる機能を利用して、ネットワーク内の車両の経路を最適化して、関連するメトリクス(例えば、旅行時間や排出)を削減できる。
最後に、最先端のUrban Mobility Simulator(SUMO)を用いて、実世界の交通データの解析を行い、ネットワークの状態を追跡し、ソリューションの正しさを確認し、提示されたソリューションの効率性と能力を証明する。
関連論文リスト
- Routing and Scheduling Optimization for Urban Air Mobility Fleet Management using Quantum Annealing [1.2145532233226684]
都市部における高密度航空交通の効率的な管理は、安全かつ効果的な運用を確保するために重要である。
都市部で運用されている大型UAM車両の需要に対応するためのルーティングとスケジューリングの枠組みを提案する。
本手法はシンガポールの空域に適した交通管理シミュレータを用いて検証した。
論文 参考訳（メタデータ） (2024-10-15T03:27:52Z) - A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data [0.0]
本研究では,機械学習アルゴリズムと実交通情報を組み合わせた都市移動性向上手法を提案する。
ニューヨーク市の黄色いタクシー旅行のデータを用いて,旅行時間と渋滞解析の予測モデルを構築した。
本研究は、高度データ駆動方式による都市渋滞の低減と交通効率の向上を目的とした継続的な取り組みに寄与する。
論文 参考訳（メタデータ） (2024-10-07T16:16:49Z) - An Offline Meta Black-box Optimization Framework for Adaptive Design of Urban Traffic Light Management Systems [11.655502119510134]
自動車の占有率が高い複雑な都市道路網は、しばしば交通渋滞に直面している。
現在の交通信号管理システムは人為的な意思決定に依存しており、多様な交通パターンに適応できない可能性がある。
オフラインのメタブラックボックス最適化を用いて,そのような設計コンポーネントの最適化を定式化するための,新規で実用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-14T06:57:58Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - Traffic Smoothing Controllers for Autonomous Vehicles Using Deep
Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。
我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。
その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
論文 参考訳（メタデータ） (2024-01-18T00:50:41Z) - 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) - Leveraging Neo4j and deep learning for traffic congestion simulation &
optimization [0.0]
渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。
また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
論文 参考訳（メタデータ） (2023-04-01T01:23:10Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - 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) - DRLE: Decentralized Reinforcement Learning at the Edge for Traffic Light
Control in the IoV [19.520162113896635]
Internet of Vehicles (IoV) は、車両と道路ユニット間のリアルタイムデータ交換を可能にする。
IoV(DRLE)における信号制御のためのエッジにおける分散強化学習を提案する。
DRLEはエッジサーバのカバレッジ内で動作し、近隣のエッジサーバからの集約データを使用して、都市規模のトラフィック光制御を提供する。
論文 参考訳（メタデータ） (2020-09-03T08:09:04Z)
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。