論文の概要: A Bibliometric Analysis and Review on Reinforcement Learning for Transportation Applications

• arxiv url: http://arxiv.org/abs/2210.14524v1
• Date: Wed, 26 Oct 2022 07:34:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 15:27:37.965864
• Title: A Bibliometric Analysis and Review on Reinforcement Learning for Transportation Applications
• Title（参考訳）: 交通分野における強化学習に関する文献分析とレビュー
• Authors: Can Li, Lei Bai, Lina Yao, S. Travis Waller, Wei Liu
• Abstract要約: 交通は経済と都市の発展のバックボーンである。 自律的な意思決定者が複雑な環境と対話できるようにする強化学習(RL)。 本稿では, 交通用RL法の開発状況を明らかにするために, 文献分析を行った。
• 参考スコア（独自算出の注目度）: 43.356096302298056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transportation is the backbone of the economy and urban development. Improving the efficiency, sustainability, resilience, and intelligence of transportation systems is critical and also challenging. The constantly changing traffic conditions, the uncertain influence of external factors (e.g., weather, accidents), and the interactions among multiple travel modes and multi-type flows result in the dynamic and stochastic natures of transportation systems. The planning, operation, and control of transportation systems require flexible and adaptable strategies in order to deal with uncertainty, non-linearity, variability, and high complexity. In this context, Reinforcement Learning (RL) that enables autonomous decision-makers to interact with the complex environment, learn from the experiences, and select optimal actions has been rapidly emerging as one of the most useful approaches for smart transportation. This paper conducts a bibliometric analysis to identify the development of RL-based methods for transportation applications, typical journals/conferences, and leading topics in the field of intelligent transportation in recent ten years. Then, this paper presents a comprehensive literature review on applications of RL in transportation by categorizing different methods with respect to the specific application domains. The potential future research directions of RL applications and developments are also discussed.
• Abstract（参考訳）: 交通は経済と都市の発展のバックボーンである。 輸送システムの効率性、持続性、弾力性、知性の向上は重要かつ困難である。 常に変化する交通状況、外部要因(例えば天候、事故)の不安定な影響、および複数の移動モードと多種類の流れの間の相互作用は、輸送システムの動的かつ確率的性質をもたらす。 輸送システムの計画、運用、制御には、不確実性、非線形性、可変性、高複雑性に対処するために柔軟かつ適応可能な戦略が必要である。 この文脈では、自律的な意思決定者が複雑な環境と対話し、経験から学び、最適な行動を選択することができる強化学習(RL)が、スマートトランスポートの最も有用なアプローチの1つである。 本稿では,近年の知的輸送分野において,RLベースの輸送手法,典型的な雑誌・会議,主要なトピックの特定を目的とした文献分析を行った。 そこで本稿では,RLの交通分野への応用に関する総合的な文献レビューを行い,各分野の異なる手法を分類する。 RLの適用と開発に関する今後の研究方向性についても論じる。

関連論文リスト

• Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [50.67937325077047]
  本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。 以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。 IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
  論文  参考訳（メタデータ） (2024-11-15T15:18:57Z)
• Beyond Words: Evaluating Large Language Models in Transportation Planning [0.0]
  本研究では,大規模言語モデル(LLM),特にGPT-4とPhi-3-miniの評価を行い,交通計画の充実を図る。 この結果は、都市交通計画におけるGenAI技術の変革の可能性を示している。
  論文  参考訳（メタデータ） (2024-09-22T16:20:00Z)
• Real-time system optimal traffic routing under uncertainties -- Can physics models boost reinforcement learning? [2.298129181817085]
  本稿では,強化学習を物理モデルに統合し,性能,信頼性,解釈可能性を向上させるアルゴリズムであるTransRLを提案する。 物理モデルからの情報を活用することで、TransRLは最先端の強化学習アルゴリズムより一貫して優れている。
  論文  参考訳（メタデータ） (2024-07-10T04:53:26Z)
• A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
  トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。 先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。 本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
  論文  参考訳（メタデータ） (2023-06-05T01:01:12Z)
• Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
  インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。 ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。 このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
  論文  参考訳（メタデータ） (2022-10-18T17:28:58Z)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• Modelling and Reasoning Techniques for Context Aware Computing in Intelligent Transportation System [0.0]
  インテリジェントトランスポーテーションシステムにおける生データ生成の量は膨大です。 この生データは、文脈情報を推測するために処理される。 本稿では,インテリジェントトランスポーテーションシステムにおける文脈認識の研究を目的とする。
  論文  参考訳（メタデータ） (2021-07-29T23:47:52Z)
• Selective Survey: Most Efficient Models and Solvers for Integrative Multimodal Transport [0.0]
  主な目的は、マルチモーダル輸送研究の分野における既存の研究、方法および情報の受益的な選択を探索することです。 選択的な調査は、コスト、時間、ネットワークトポロジーの観点から、マルチモーダルトランスポート設計と最適化をカバーしている。 理論と実世界の応用のギャップは、グローバルなマルチモーダル輸送システムの最適化のためにさらに解決すべきである。
  論文  参考訳（メタデータ） (2021-03-16T08:31:44Z)
• Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
  強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。 車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。 その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
  論文  参考訳（メタデータ） (2020-12-07T02:09:15Z)
• Deep Reinforcement Learning for Intelligent Transportation Systems: A Survey [23.300763504208597]
  データ駆動型アプリケーションと輸送システムを組み合わせることは、近年の輸送アプリケーションにおいて重要な役割を担っている。 深部強化学習(RL)に基づく交通制御アプリケーションについて調査する。
  論文  参考訳（メタデータ） (2020-05-02T22:44:50Z)

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。