論文の概要: A Decision Making Framework for Recommended Maintenance of Road Segments
- arxiv url: http://arxiv.org/abs/2307.10085v2
- Date: Sat, 22 Jul 2023 02:33:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 19:57:44.282003
- Title: A Decision Making Framework for Recommended Maintenance of Road Segments
- Title（参考訳）: 道路セグメントの推奨維持のための意思決定枠組み
- Authors: Haoyu Sun, Yan Yan
- Abstract要約: 国が限られた予算を道路整備事業に割り当てることはよく知られており、道路管理部門は科学的に把握された保守決定を下すのに困難に直面している。
本稿では, 様々な人工知能による意思決定技術を統合し, 過去の保守データを徹底的に探索し, 道路維持科学的意思決定の文脈に適応する枠組みを提案する。
- 参考スコア（独自算出の注目度）: 12.131486177492617
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid development of global road transportation, countries worldwide
have completed the construction of road networks. However, the ensuing
challenge lies in the maintenance of existing roads. It is well-known that
countries allocate limited budgets to road maintenance projects, and road
management departments face difficulties in making scientifically informed
maintenance decisions. Therefore, integrating various artificial intelligence
decision-making techniques to thoroughly explore historical maintenance data
and adapt them to the context of road maintenance scientific decision-making
has become an urgent issue. This integration aims to provide road management
departments with more scientific tools and evidence for decision-making. The
framework proposed in this paper primarily addresses the following four issues:
1) predicting the pavement performance of various routes, 2) determining the
prioritization of maintenance routes, 3) making maintenance decisions based on
the evaluation of the effects of past maintenance, and considering
comprehensive technical and management indicators, and 4) determining the
prioritization of maintenance sections based on the maintenance effectiveness
and recommended maintenance effectiveness. By tackling these four problems, the
framework enables intelligent decision-making for the optimal maintenance plan
and maintenance sections, taking into account limited funding and historical
maintenance management experience.
- Abstract（参考訳）: グローバルな道路交通の急速な発展に伴い、世界中の国が道路網の建設を完了した。
しかし、それに続く課題は既存の道路の整備にある。
国が道路整備計画に限られた予算を割り当てること、道路管理部門が科学的にインフォームドされた整備決定を行うのが困難であることはよく知られている。
そのため、様々な人工知能の意思決定技術を統合して、過去の保守データを徹底的に調査し、道路整備の科学的意思決定の文脈に適応させることが緊急問題となっている。
この統合の目的は、道路管理部門により多くの科学的ツールと意思決定の証拠を提供することである。
本稿では,主に以下の4つの課題に対処する枠組みを提案する。
1)各種経路の舗装性能の予測
2 維持経路の優先順位の決定
3 過去の保守効果の評価及び総合的技術・管理指標の検討に基づく保守決定を行うこと。
4) 保守効果及び推奨保守効果に基づいて、保守区間の優先順位を決定すること。
これら4つの問題に対処することにより、限られた資金と歴史的な保守管理経験を考慮して、最適な保守計画とメンテナンスセクションのインテリジェントな意思決定を可能にする。
関連論文リスト
- On The Planning Abilities of OpenAI's o1 Models: Feasibility, Optimality, and Generalizability [59.72892401927283]
さまざまなベンチマークタスクでOpenAIのo1モデルの計画能力を評価する。
その結果,o1-preview は GPT-4 よりもタスク制約に順応していることがわかった。
論文 参考訳（メタデータ） (2024-09-30T03:58:43Z) - Causal inference approach to appraise long-term effects of maintenance policy on functional performance of asphalt pavements [2.3749905164931207]
アスファルト舗装は、繰り返しの交通負荷や連続的な気候周期によるストレスやひずみによる機能的または構造的損傷による交通安全上の深刻な問題を引き起こす。
本研究では,従来の因果構造モデルと潜在的結果モデルフレームワークを組み合わせた新たな因果推論手法を提案する。
その結果, 本手法は, 予防的維持治療の効果を正確に評価し, 異なる予防的維持アプローチの機能を十分に発揮するための維持時間を評価できることが示唆された。
論文 参考訳（メタデータ） (2024-05-06T03:22:38Z) - Risk-reducing design and operations toolkit: 90 strategies for managing
risk and uncertainty in decision problems [65.268245109828]
本稿では,このような戦略のカタログを開発し,それらのためのフレームワークを開発する。
高い不確実性のために難解であるように見える決定問題に対して、効率的な応答を提供する、と論じている。
次に、多目的最適化を用いた決定理論にそれらを組み込む枠組みを提案する。
論文 参考訳（メタデータ） (2023-09-06T16:14:32Z) - Rational Decision-Making Agent with Internalized Utility Judgment [91.80700126895927]
大規模言語モデル(LLM)は目覚ましい進歩を示し、従来のNLPアプリケーションを超えて複雑な多段階決定タスクを実行できるエージェントにLLMを開発するための重要な努力を惹きつけている。
本稿では,RadAgentを提案する。このRadAgentは,経験探索とユーティリティ学習を含む反復的なフレームワークを通じて,合理性の発展を促進する。
ToolBenchデータセットの実験結果は、RadAgentがベースラインよりも優れていることを示している。
論文 参考訳（メタデータ） (2023-08-24T03:11:45Z) - Reinforcement and Deep Reinforcement Learning-based Solutions for
Machine Maintenance Planning, Scheduling Policies, and Optimization [1.6447597767676658]
本稿では,保守計画と最適化問題に対する強化学習と深部強化学習の応用に関する文献的考察を行う。
システムやマシンの状態監視データを強化学習に活用することにより、スマートメンテナンスプランナを開発することができ、スマートファクトリの実現の先駆けとなる。
論文 参考訳（メタデータ） (2023-07-07T22:47:29Z) - Motion Planning for Autonomous Driving: The State of the Art and Future
Perspectives [16.160049780028444]
インテリジェント車(IV)は、利便性、安全性、潜在的な商業的価値のために世界中で注目を集めている。
実装は小さな検証に限られており、正確なトラッキングコントローラとモーションプランナーはIVにとって必須の前提条件である。
本稿では,パイプライン計画やエンドツーエンド計画など,IVの最先端動作計画手法について概説する。
論文 参考訳（メタデータ） (2023-03-17T08:05:42Z) - Explainable Data-Driven Optimization: From Context to Decision and Back
Again [76.84947521482631]
データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。
本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。
在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
論文 参考訳（メタデータ） (2023-01-24T15:25:16Z) - Inverse Online Learning: Understanding Non-Stationary and Reactionary
Policies [79.60322329952453]
エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。
一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。
本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。
UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
論文 参考訳（メタデータ） (2022-03-14T17:40:42Z) - A deep reinforcement learning model for predictive maintenance planning
of road assets: Integrating LCA and LCCA [0.0]
本研究では,M&R実践のタイプとタイミングを決定するために,強化学習(RL)を用いたフレームワークを提案する。
その結果,道路条件が良好な条件域に留まる20年間のM&R計画が提案された。
意思決定者や交通機関は、このスキームを利用して、予算の無駄を防ぎ、環境への影響を最小限に抑える、より良いメンテナンスの実践を行うことができる。
論文 参考訳（メタデータ） (2021-12-20T13:46:39Z) - An Offline Deep Reinforcement Learning for Maintenance Decision-Making [10.244120641608447]
オフライン教師付き深層強化学習に基づく保守フレームワークを提案する。
オフライン強化学習を用いることで、履歴データから最適なメンテナンスポリシーを学習することができる。
論文 参考訳（メタデータ） (2021-09-28T03:40:55Z) - Learning MDPs from Features: Predict-Then-Optimize for Sequential
Decision Problems by Reinforcement Learning [52.74071439183113]
我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。
2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
論文 参考訳（メタデータ） (2021-06-06T23:53:31Z)
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。