論文の概要: Scope Restriction for Scalable Real-Time Railway Rescheduling: An Exploratory Study

• arxiv url: http://arxiv.org/abs/2305.03574v1
• Date: Fri, 5 May 2023 14:30:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 13:31:24.553982
• Title: Scope Restriction for Scalable Real-Time Railway Rescheduling: An Exploratory Study
• Title（参考訳）: スケーラブルリアルタイム鉄道再スケジュールのためのスコープ制限:探索的研究
• Authors: Erik Nygren, Christian Eichenberger, Emma Frejinger
• Abstract要約: 本稿では、再スケジュールが必要な列車のみに障害が発生した場合に、再スケジュール問題を制限する中核問題を定義することを提案する。 この文脈では、障害によって影響を受けるであろう列車サービスのサブセットを予測できるスコープを定義することが困難である。 本稿では,Flatland シミュレーション環境を用いて,このアイデアの可能性と課題を明らかにする。
• 参考スコア（独自算出の注目度）: 0.18416014644193068
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the aim to stimulate future research, we describe an exploratory study of a railway rescheduling problem. A widely used approach in practice and state of the art is to decompose these complex problems by geographical scope. Instead, we propose defining a core problem that restricts a rescheduling problem in response to a disturbance to only trains that need to be rescheduled, hence restricting the scope in both time and space. In this context, the difficulty resides in defining a scoper that can predict a subset of train services that will be affected by a given disturbance. We report preliminary results using the Flatland simulation environment that highlights the potential and challenges of this idea. We provide an extensible playground open-source implementation based on the Flatland railway environment and Answer-Set Programming.
• Abstract（参考訳）: 今後の研究の促進を目的として,鉄道再計画問題の探索的研究について述べる。 芸術の実践と状況において広く用いられているアプローチは、これらの複雑な問題を地理的範囲で分解することである。 代わりに、再スケジュールが必要な列車のみに障害が発生した場合に再スケジュール問題を制限し、時間と空間の両方でスコープを制限するコア問題を定義することを提案する。 この文脈では、障害によって影響を受けるであろう列車サービスのサブセットを予測できるスコープを定義することが困難である。 本稿では,Flatlandシミュレーション環境を用いて,このアイデアの可能性と課題を明らかにする。 フラットランド鉄道環境とAnswer-Set Programmingに基づく,拡張可能なオープンソース実装を提供する。

関連論文リスト

• Geo-Llama: Leveraging LLMs for Human Mobility Trajectory Generation with Spatiotemporal Constraints [14.623784198777086]
  Geo-Llamaは、人間の移動データからリアルな軌道を生成する新しいフレームワークである。 文脈的コヒーレントな方法で、明示的な訪問制約を持つ軌道上で、事前訓練されたLLMを微調整する。 実世界のデータセットと合成データセットに関する大規模な実験は、幅広い制約を扱う上で、その汎用性と堅牢性を示している。
  論文  参考訳（メタデータ） (2024-08-25T19:03:46Z)
• Variable-Agnostic Causal Exploration for Reinforcement Learning [56.52768265734155]
  強化学習のための新しいフレームワークVACERL(Variable-Agnostic Causal Exploration for Reinforcement Learning)を導入する。 本手法は,注目機構を用いて,重要変数に関連する重要な観測行動ステップを自動的に同定する。 これらのステップを接続する因果グラフを構築し、エージェントをタスク完了に対する因果的影響の大きい観察-作用ペアへと導く。
  論文  参考訳（メタデータ） (2024-07-17T09:45:27Z)
• OTO Planner: An Efficient Only Travelling Once Exploration Planner for Complex and Unknown Environments [6.128246045267511]
  オンリートラベル・ワン・プランナー」は複雑な環境下で繰り返し経路を減少させる効率的な探索プランナーである。 高速フロンティア更新、視点評価、視点改善が含まれる。 探査時間と移動距離を10%から20%削減し、フロンティア検出の速度を6～9倍向上させる。
  論文  参考訳（メタデータ） (2024-06-11T14:23:48Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• Offline Inverse RL: New Solution Concepts and Provably Efficient Algorithms [23.61332577985059]
  逆強化学習(IRL)は、行動の実証から専門家の報酬機能を回復することを目的としている。 本稿では、オフライン設定の機会と限界を捉えた、実現可能な報酬セットという新しい概念を紹介する。
  論文  参考訳（メタデータ） (2024-02-23T15:49:46Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Offline Stochastic Shortest Path: Learning, Evaluation and Towards Optimality [57.91411772725183]
  本稿では,状態空間と動作空間が有限である場合のオフライン最短経路問題について考察する。 オフラインポリシ評価(OPE)とオフラインポリシ学習タスクの両方を扱うための,シンプルな値ベースアルゴリズムを設計する。 これらの単純なアルゴリズムの解析は、極小値に近い最悪のケース境界を示唆する強いインスタンス依存境界をもたらす。
  論文  参考訳（メタデータ） (2022-06-10T07:44:56Z)
• Learning-based Preference Prediction for Constrained Multi-Criteria Path-Planning [12.457788665461312]
  自動地上車両(AGV)の制約された経路計画法はそのような適用例である。 我々は、ニューラルネットワークモデルをトレーニングして、オフラインシミュレーションによって得られた知識を活用し、不確実な基準を予測する。 私たちはこのモデルをパスプランナに統合し、オンラインの問題を解決することができます。
  論文  参考訳（メタデータ） (2021-08-02T17:13:45Z)
• Deep R-Learning for Continual Area Sweeping [41.832987254467284]
  非均一なカバレッジプランニングは、ロボット工学においてよく研究されている問題である。 本稿では,ロボットが事前に関連する事象の分布を把握していないような,一様でないカバレッジのバリエーションについて考察する。 半マルコフ決定過程における強化学習に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-05-31T19:15:28Z)
• From Simulation to Real World Maneuver Execution using Deep Reinforcement Learning [69.23334811890919]
  深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。 これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。 本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
  論文  参考訳（メタデータ） (2020-05-13T14:22:20Z)
• Local Propagation in Constraint-based Neural Network [77.37829055999238]
  ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。 本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
  論文  参考訳（メタデータ） (2020-02-18T16:47:38Z)

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。