論文の概要: A deep reinforcement learning approach for real-time demand-responsive
railway rescheduling to mitigate station overcrowding using mobile data
- arxiv url: http://arxiv.org/abs/2308.11849v1
- Date: Wed, 23 Aug 2023 00:55:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 16:19:09.045721
- Title: A deep reinforcement learning approach for real-time demand-responsive
railway rescheduling to mitigate station overcrowding using mobile data
- Title(参考訳): モバイルデータを用いた駅混雑軽減のためのリアルタイム需要応答型鉄道再スケジューリングのための深層強化学習手法
- Authors: Enze Liu, Zhiyuan Lin, Judith Y.T. Wang, Hong Chen
- Abstract要約: 本稿では,モバイルデータ(MD)から現実の乗客の移動性を推定する需要応答型手法を提案する。
自然災害などの非常事態の影響を受け、複数の路線を横断する列車の編成変更が目的。
本研究は, 乗客の到着・退避のダイナミクス, 駅過密, 転がり在庫不足, オープンエンドの中断期間, 複数経路の統合再スケジュール, 脱線による遅延など, このシナリオに関わる課題に対処する。
- 参考スコア(独自算出の注目度): 11.10169568480794
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time railway rescheduling is a timely and flexible technique to
automatically alter the operation schedule in response to time-varying
conditions. Current research lacks data-driven approaches that capture
real-time passenger mobility during railway disruptions, relying mostly on
OD-based data and model-based methods for estimating demands of trains.
Meanwhile, the schedule-updating principles for a long-term disruption overlook
the uneven distribution of demand over time. To fill this gap, this paper
proposes a demand-responsive approach by inferring real-world passenger
mobility from mobile data (MD) to facilitate real-time rescheduling. Unlike
network-level approaches, this paper focuses on a heavy-demand station upstream
of the disrupted area. The objective is to reschedule all trains on multiple
routes passing through this target station, which have been affected by a
severe emergency event such as a natural disaster. Particular attention should
be given to avoiding the accumulation of overcrowded passengers at this
station, to prevent additional accidents arising from overcrowding. This
research addresses the challenges associated with this scenario, including the
dynamics of arriving and leaving of passengers, station overcrowding, rolling
stock shortage, open-ended disruption duration, integrated rescheduling on
multiple routes, and delays due to detours. A deep reinforcement learning (DRL)
framework is proposed to determine the optimal rescheduled timetable, route
stops, and rolling stock allocation, while considering real-time demand
satisfaction, station overcrowding, train capacity utilization, and headway
safety.
- Abstract(参考訳): リアルタイム鉄道再スケジュールは、時間変化条件に応じて運行スケジュールを自動的に変更する、タイムリーで柔軟な手法である。
現在の研究では、鉄道破壊時のリアルタイムの乗客移動を捉えるデータ駆動のアプローチが欠如しており、主にODベースのデータとモデルベースの手法を使って列車の需要を推定している。
一方、長期的ディスラプションのためのスケジュールアップの原則は、需要の不均一な経時的分布を見落としている。
このギャップを埋めるために,モバイルデータ(MD)から現実の乗客の移動性を推定し,リアルタイムのリスケジュールを容易にする需要応答型手法を提案する。
ネットワークレベルのアプローチとは違って,本論文では,障害地域上流の重厚な局に注目した。
目的は、自然災害などの非常事態の影響を受けて、当駅を経由する複数の路線で全列車をダイヤ変更することである。
過密による追加事故を防止するため、この駅で過密した乗客の蓄積を避けることに特に注意が必要である。
本研究は, 乗客の到着・退避のダイナミクス, 駅過密, 転がり在庫不足, オープンエンドの中断期間, 複数経路の統合再スケジュール, 脱線による遅延など, このシナリオに関わる課題に対処する。
本研究では, リアルタイム需要満足度, 駅過密, 列車容量利用量, および車道安全を考慮しつつ, 最適再スケジュール時刻, 経路停止時間, 車両配置を決定するために, DRLフレームワークを提案する。
関連論文リスト
- Liquid Neural Network-based Adaptive Learning vs. Incremental Learning for Link Load Prediction amid Concept Drift due to Network Failures [37.66676003679306]
概念の漂流に適応することは、機械学習において難しい課題である。
通信ネットワークでは、障害イベントの後に交通予報を行う際にこのような問題が生じる。
本稿では,適応学習アルゴリズム,すなわち,データパターンの急激な変化を,再学習を必要とせずに自己適応できる手法を提案する。
論文 参考訳(メタデータ) (2024-04-08T08:47:46Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - Uncertainty Quantification for Image-based Traffic Prediction across
Cities [63.136794104678025]
不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。
複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。
モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
論文 参考訳(メタデータ) (2023-08-11T13:35:52Z) - SRRT: Search Region Regulation Tracking [75.24955823504307]
探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。
SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。
大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
論文 参考訳(メタデータ) (2022-07-10T11:18:26Z) - A Spatial-Temporal Attention Multi-Graph Convolution Network for
Ride-Hailing Demand Prediction Based on Periodicity with Offset [9.897431292540393]
ライドシェアリングは都市交通の中心となっている。
配車サービスの効率を向上させるためには、交通需要の正確な予測が根本的な課題である。
本稿では,ネットワーク構造とデータセットの定式化の両面からこの問題に対処する。
論文 参考訳(メタデータ) (2022-03-23T16:03:55Z) - A Deep-Learning Based Optimization Approach to Address Stop-Skipping
Strategy in Urban Rail Transit Lines [0.0]
都市鉄道路線における最適なストップスキップパターンを決定するための高度なデータ駆動最適化手法を提案する。
我々は、ピーク時のステーションレベルの需要率を予測するために、LSTM(Long Short-Term Memory)ディープラーニングモデルを用いている。
この問題の指数関数的性質を考慮し,適切な時間で解決するAnt Colony Optimization手法を提案する。
論文 参考訳(メタデータ) (2021-09-17T23:52:19Z) - Learning Incident Prediction Models Over Large Geographical Areas for
Emergency Response Systems [0.7340017786387767]
本稿では,道路の地形,気象,歴史的事故,リアルタイム交通渋滞に関するデータを用いて,事故予測を支援するパイプラインについて述べる。
実験結果から,本手法は現状の手法と比較して,現場での応答時間を著しく短縮できることがわかった。
論文 参考訳(メタデータ) (2021-06-15T17:33:36Z) - Public Transit for Special Events: Ridership Prediction and Train
Optimization [10.531110013870792]
交通機関は、ディスラプション、遅延、運賃収入への影響を理解することが重要である。
本稿では,特殊イベントによる渋滞ピーク時の交通システムの性能評価,予測,管理を行うための一連のデータ駆動手法を提案する。
論文 参考訳(メタデータ) (2021-06-09T19:52:18Z) - Transformers \`a Grande Vitesse [0.09208007322096534]
本研究の目的は,鉄道区間における列車の走行時間を,鉄道網全体の規模でリアルタイムに予測することである。
提案手法は,現在使われている,実験的な予測手法と比較して,実世界のデータに対して非常に肯定的な結果をもたらす。
論文 参考訳(メタデータ) (2021-05-18T13:43:18Z) - Deep Reinforcement Learning with Spatio-temporal Traffic Forecasting for
Data-Driven Base Station Sleep Control [39.31623488192675]
5G時代のモバイル交通需要の増加に対応するため、基地局(BS)は無線アクセスネットワーク(RAN)に密に展開され、ネットワークカバレッジと容量が向上しています。
BSの高密度はピークトラフィックに対応するために設計されているため、オフピーク時にBSがオンになっている場合、不必要に大量のエネルギーを消費します。
セルラーネットワークのエネルギー消費を抑えるために、交通需要に応えないアイドルベースステーションを非活性化する方法が効果的である。
本論文では,DeepBSC と呼ばれるトラフィック認識型動的 BS 睡眠制御フレームワークを開発した。
論文 参考訳(メタデータ) (2021-01-21T01:39:42Z) - Knowledge Adaption for Demand Prediction based on Multi-task Memory
Neural Network [43.356096302298056]
駅集中型モードからのデータを用いた駅間モードの需要予測とメモリ拡張型マルチタスクリカレントネットワーク(MATURE)の設計を提案する。
具体的には,1)長期の情報を捕捉し,各トランジットモードの時間的知識を格納する能力を強化するメモリ拡張リカレントネットワーク,2)ステーション集約的なソースからステーションスパースソースへの知識を適応するための知識適応モジュール,3)すべての情報を組み込んだマルチタスク学習フレームワーク,および複数のモードの需要を同時に予測する。
論文 参考訳(メタデータ) (2020-09-12T12:21:09Z)
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。