論文の概要: Dial-a-ride problem with modular platooning and en-route transfers
- arxiv url: http://arxiv.org/abs/2212.00289v2
- Date: Fri, 23 Dec 2022 15:16:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 12:45:10.468400
- Title: Dial-a-ride problem with modular platooning and en-route transfers
- Title（参考訳）: モジュラー・プラトーンと経路伝達を伴うダイヤル・ア・ライド問題
- Authors: Zhexi Fu, Joseph Y. J. Chow
- Abstract要約: このような技術で需要に敏感な輸送車両群は、乗客をドアからドアへ向かわせたり、小隊同士を低コストで移動させたりすることができる。
混合整数線形プログラミング(MILP)モデルは、この「モジュラーダイアル・ア・ライド問題」を解決するために定式化される。
MDARPの正確な解間の最適性ギャップと計算時間を評価するために, 小型合成数値実験のセットを試験した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Modular vehicles (MV) possess the ability to physically connect/disconnect
with each other and travel in platoon with less energy consumption. A fleet of
demand-responsive transit vehicles with such technology can serve passengers
door to door or have vehicles deviate to platoon with each other to travel at
lower cost and allow for en-route passenger transfers before splitting. A mixed
integer linear programming (MILP) model is formulated to solve this "modular
dial-a-ride problem" (MDARP). A heuristic algorithm based on
Steiner-tree-inspired large neighborhood search is developed to solve the MDARP
for practical scenarios. A set of small-scale synthetic numerical experiments
are tested to evaluate the optimality gap and computation time between exact
solutions of the MDARP using commercial software and the proposed heuristic.
Large-scale experiments are conducted on the Anaheim network with 378 candidate
join/split nodes to further explore the potentials and identify the ideal
operation scenarios of MVs. The results show that MV technology can save up to
52.0% in vehicle travel cost, 35.6% in passenger service time, and 29.4% in
total cost against existing on-demand mobility services in the scenarios
tested. Results suggest that MVs best benefit from platooning by serving
"enclave pairs" as a hub-and-spoke service.
- Abstract（参考訳）: モジュラー車両(MV)は、物理的に互いに接続し、エネルギー消費の少ない小隊で走行する能力を持っている。
このような技術で需要に敏感な輸送車両群は、乗客をドアからドアへ向かわせたり、小隊同士の移動を減らしたり、乗客の移動を妨害したりすることができる。
混合整数線形プログラミング(MILP)モデルは、この「モジュラーダイアル・ア・ライド問題」(MDARP)を解決するために定式化される。
シュタイナーツリーに触発された大規模近傍探索に基づくヒューリスティックアルゴリズムを開発し,mdarpを実用シナリオで解く。
商用ソフトウェアと提案したヒューリスティックを用いて, MDARPの正確な解間の最適性ギャップと計算時間を評価するために, 一連の小型合成数値実験を行った。
378の候補結合/分割ノードを持つAnaheimネットワーク上で大規模な実験を行い、ポテンシャルをさらに探求し、MVの理想的な運用シナリオを特定する。
その結果、MV技術は車両走行コストの最大52.0%、乗客サービス時間の35.6%、テストシナリオにおける既存のオンデマンドモビリティサービスに対する総コストの29.4%を節約できることがわかった。
その結果、MVは「エンクレーブペア」をハブ・アンド・スポークサービスとして提供することにより、小隊の恩恵を受けることが示唆された。
関連論文リスト
- Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。
本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
論文 参考訳（メタデータ） (2024-09-19T14:36:00Z) - Fair collaborative vehicle routing: A deep multi-agent reinforcement
learning approach [49.00137468773683]
協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。
従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。
我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
論文 参考訳（メタデータ） (2023-10-26T15:42:29Z) - Coalitional Bargaining via Reinforcement Learning: An Application to
Collaborative Vehicle Routing [49.00137468773683]
コラボレーティブ・ビークル・ルーティング(Collaborative Vehicle Routing)とは、デリバリ情報を共有し、互いに代理してデリバリ要求を実行することで、デリバリ企業が協力する場所である。
これによりスケールの経済が達成され、コスト、温室効果ガスの排出、道路渋滞が減少する。
しかし、どの会社が誰とパートナーし、それぞれの会社がどれだけの報酬を支払うべきか?
シャプリー値(英語版)やヌクレオルス(英語版)のような伝統的なゲーム理論解の概念は、協調車両ルーティング(英語版)の現実問題に対して計算することが困難である。
論文 参考訳（メタデータ） (2023-10-26T15:04:23Z) - Large-scale Online Ridesharing: The Effect of Assignment Optimality on
System Performance [13.010768187625352]
モビリティ・オン・デマンド(モビリティ・オン・デマンド、MoD)は、ワンウェイ・ポイント・ツー・ポイント・トリップ用に配車できる車両群である。
車両によって駆動される総距離と艦隊規模は、複数の乗客を1台の車両に割り当てることによって、乗用シェアリングを利用することで低減することができる。
本稿では,最近提案された配車方式であるVGA法を用いて,MoDシステムにおける最適乗用車割り当てを計算する方法について述べる。
論文 参考訳（メタデータ） (2023-04-07T12:07:06Z) - A greedy approach for increased vehicle utilization in ridesharing
networks [0.3480973072524161]
ライドシェアリングプラットフォームは 都市部の住民にとって 顕著な交通手段になっています
道路網全体からウィンドウへの探索空間を削減できるk-hopベースのスライディングウインドウ近似アルゴリズムを提案する。
実世界のデータセット上で提案したモデルを評価し,実験結果から提案モデルによる優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-02T07:25:01Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - A Real-Time Energy and Cost Efficient Vehicle Route Assignment Neural
Recommender System [0.0]
本稿では,エネルギーとコストの基準に基づいて車両をルートに割り当てるニューラルネットワークレコメンデータシステムを提案する。
我々は、与えられた経路上での様々な候補車両のエネルギー消費量を効率的に推定するために、機械学習に基づくアプローチを採用する。
完全なレコメンデーションロジックが開発され、各ルートに対してリアルタイムに最適な割り当てが可能になる。
論文 参考訳（メタデータ） (2021-10-21T04:17:35Z) - An SMT Based Compositional Model to Solve a Conflict-Free Electric
Vehicle Routing Problem [2.64699517152535]
CF-EVRP(Electric Conflict-Free Vehicle Routing Problem)は、車両の運転範囲の制限、顧客への配送時間帯の制限、道路セグメントが許容できる車両数に対する制限といった制約を含む。
我々は、問題をより小さく、より単純なサブプロブレムに分解し、準最適で実現可能なソリューションを提供する構成モデルを開発する。
論文 参考訳（メタデータ） (2021-06-10T20:37:46Z) - Flatland Competition 2020: MAPF and MARL for Efficient Train
Coordination on a Grid World [49.80905654161763]
車両再スケジュール問題(vrsp)の解法開発を目的としたフラットランドコンペティション
VRSPは、交通ネットワークにおける旅行のスケジュールと、故障が発生した場合の車両の再スケジュールに関するものである。
現代の鉄道網の複雑化は、交通の動的リアルタイムスケジューリングを事実上不可能にします。
論文 参考訳（メタデータ） (2021-03-30T17:13:29Z) - A Physics Model-Guided Online Bayesian Framework for Energy Management
of Extended Range Electric Delivery Vehicles [3.927161292818792]
本稿では、双方向の車両とクラウド接続を備えた配送車両において使用される、利用規則に基づくEMSを改善する。
物理モデルに基づくオンラインベイズフレームワークについて記述し,最終マイルのパッケージ配信に使用されるEREVの多数の使用済み駆動サンプルについて検証した。
実輸送155回の試験車両の燃料使用量の平均は12.8%減少した。
論文 参考訳（メタデータ） (2020-06-01T08:43:23Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳（メタデータ） (2020-01-22T08:51:05Z)
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。