論文の概要: A Decision Making Framework for Recommended Maintenance of Road Segments

• arxiv url: http://arxiv.org/abs/2307.10085v3
• Date: Sun, 1 Oct 2023 19:28:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-03 13:44:28.250028
• 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: 本稿では,道路管理部門に対して,より科学的な意思決定ツールと証拠を提供することを目的とする。 このフレームワークは、限られた資金と歴史的な保守管理経験を考慮して、最適な保守計画とセクションに関するインテリジェントな決定を行うことができる。
• 参考スコア（独自算出の注目度）: 11.306455265622605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to limited budgets allocated for road maintenance projects in various countries, road management departments face difficulties in making scientific maintenance decisions. This paper aims to provide road management departments with more scientific decision tools and evidence. The framework proposed in this paper mainly has the following four innovative points: 1) Predicting pavement performance deterioration levels of road sections as decision basis rather than accurately predicting specific indicator values; 2) Determining maintenance route priorities based on multiple factors; 3) Making maintenance plan decisions by establishing deep reinforcement learning models to formulate predictive strategies based on past maintenance performance evaluations, while considering both technical and management indicators; 4) Determining repair section priorities according to actual and suggested repair effects. By resolving these four issues, the framework can make intelligent decisions regarding optimal maintenance plans and sections, taking into account limited funds and historical maintenance management experiences.
• Abstract（参考訳）: 各国の道路整備事業に割り当てられる予算が限られているため、道路管理部門は科学的整備決定を行うのが困難である。 本稿では,道路管理部門に対して,より科学的な意思決定ツールと証拠を提供することを目的とする。 本論文で提案する枠組みは, 主に以下の4つの革新的ポイントを持つ。 1) 特定指標値を正確に予測するよりも、道路区間の舗装性能劣化度を判定基準として予測すること。 2 複数の要因に基づく整備経路の優先順位の決定 3) 技術面及び管理面の指標を考慮しつつ,過去の保守性能評価に基づく予測戦略を定式化するための深層強化学習モデルの構築による維持計画決定 4) 補修部の優先事項の実態及び提案された補修効果の決定。 これら4つの問題を解決することで、限られた資金と歴史的な保守管理経験を考慮して、最適な保守計画とセクションに関するインテリジェントな決定を行うことができる。

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。