論文の概要: A Mobile Data-Driven Hierarchical Deep Reinforcement Learning Approach for Real-time Demand-Responsive Railway Rescheduling and Station Overcrowding Mitigation

• arxiv url: http://arxiv.org/abs/2308.11849v2
• Date: Tue, 7 Nov 2023 02:59:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 19:04:24.575294
• Title: A Mobile Data-Driven Hierarchical Deep Reinforcement Learning Approach for Real-time Demand-Responsive Railway Rescheduling and Station Overcrowding Mitigation
• Title（参考訳）: 移動データ駆動型階層型深層強化学習によるリアルタイム需要応答型鉄道計画と駅過密化
• Authors: Enze Liu, Zhiyuan Lin, Judith Y.T. Wang, Hong Chen
• Abstract要約: リアルタイム鉄道再スケジュールは, 予期せぬ, ダイナミックな状況に応じて, 運転復旧を可能にする重要な手法である。 2022年(2022年)に中国・江州で起きた洪水などの災害は、江州鉄道駅自体に前例のない影響をもたらしただけでなく、他の主要拠点にも及んでいる。 本研究では,RTDR(Real-time demand-responsive)鉄道再スケジュール問題,すなわち需要のボラティリティと駅混雑管理に焦点をあてる。
• 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 an important technique to enable operational recovery in response to unexpected and dynamic conditions in a timely and flexible manner. Current research relies mostly on OD based data and model-based methods for estimating train passenger demands. These approaches primarily focus on averaged disruption patterns, often overlooking the immediate uneven distribution of demand over time. In reality, passenger demand deviates significantly from predictions, especially during a disaster. Disastrous situations such as flood in Zhengzhou, China in 2022 has created not only unprecedented effect on Zhengzhou railway station itself, which is a major railway hub in China, but also other major hubs connected to Zhengzhou, e.g., Xi'an, the closest hub west of Zhengzhou. In this study, we define a real-time demand-responsive (RTDR) railway rescheduling problem focusing two specific aspects, namely, volatility of the demand, and management of station crowdedness. For the first time, we propose a data-driven approach using real-time mobile data (MD) to deal with this RTDR problem. A hierarchical deep reinforcement learning (HDRL) framework is designed to perform real-time rescheduling in a demand-responsive manner. The use of MD has enabled the modelling of passenger dynamics in response to train delays and station crowdedness, and a real-time optimisation for rescheduling of train services in view of the change in demand as a result of passengers' behavioural response to disruption. Results show that the agent can steadily satisfy over 62% of the demand with only 61% of the original rolling stock, ensuring continuous operations without overcrowding. Moreover, the agent exhibits adaptability when transferred to a new environment with increased demand, highlighting its effectiveness in addressing unforeseen disruptions in real-time settings.
• Abstract（参考訳）: リアルタイム鉄道再スケジュールは, 予期せぬ, ダイナミックな状況に対応して, タイムリーかつ柔軟な運転回復を可能にする重要な手法である。 現在の研究は、主にODに基づくデータと、列車の旅客需要を推定するためのモデルに基づく手法に依存している。 これらのアプローチは主に平均的なディスラプションパターンに重点を置いており、しばしば時間とともに需要の即時不均一な分布を見落としている。 実際、乗客の需要は特に災害時の予測から大きく逸脱している。 2022年の西州洪水のような悲惨な状況は、中国の主要鉄道中心地である西州鉄道駅自体に前例のない影響をもたらしただけでなく、西州から西に最も近い西安など、西州と繋がる他の主要ハブにも影響を及ぼしている。 本研究では,実時間需要応答型鉄道再スケジュール問題(rtdr)について,需要の変動性,駅の混雑性管理という2つの側面に注目して定義する。 本稿では,このRTDR問題に対処するために,リアルタイムモバイルデータ(MD)を用いたデータ駆動型アプローチを提案する。 階層的深層強化学習(HDRL)フレームワークは,要求応答型でリアルタイムなスケジューリングを行うように設計されている。 MDの使用により、列車の遅延や駅混雑に応答して乗客動態のモデル化が可能となり、また、乗客の破壊に対する行動応答による需要の変化を考慮した列車運行の再スケジュールをリアルタイムに最適化できるようになった。 その結果, 原車両の61%で需要の62%以上を安定的に満たすことができ, 過密化せずに連続運転を確実にできることがわかった。 さらに, エージェントは, 需要が増大して新たな環境に移行した際の適応性を示し, リアルタイム環境における予期せぬ破壊に対処する効果を強調した。

関連論文リスト

• A Prompt Refinement-based Large Language Model for Metro Passenger Flow Forecasting under Delay Conditions [30.552007081903263]
  遅延条件下での地下鉄の乗客フローの短期予測は、緊急対応とサービス復旧に不可欠である。 遅延イベントが稀に発生するため、遅延条件下でのサンプルサイズが制限されることで、従来のモデルでは、遅延の複雑な影響が乗客の流れに与える影響を捉えることが困難になる。 本稿では,LLMを慎重に設計した急進的なエンジニアリングで合成する乗客フロー予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-19T13:46:46Z)
• Dynamic Obstacle Avoidance through Uncertainty-Based Adaptive Planning with Diffusion [40.76697924496143]
  本稿では,行動予測の不確実性に基づいた適応的生成計画手法を提案する。 本手法は, 衝突回避性能を維持しつつ, 頻繁で計算コストが高く, 冗長な再計画の必要性を最小限に抑える。
  論文  参考訳（メタデータ） (2024-09-25T14:03:58Z)
• Joint Estimation and Prediction of City-wide Delivery Demand: A Large Language Model Empowered Graph-based Learning Approach [40.357070798871675]
  電子商取引と都市化は、都市部における配送業務を著しく強化した。 データ駆動予測手法、特に機械学習技術を利用した手法がこれらの問題に対処するために登場した。 本稿では,この問題をグラフベースのグラフ学習タスクとして定式化する。
  論文  参考訳（メタデータ） (2024-08-30T12:56:17Z)
• Cluster-Wide Task Slowdown Detection in Cloud System [45.396508032554564]
  スロータスク検出は、クラウドの運用とメンテナンスにおいて重要な問題である。 ほとんどの異常検出方法は単一タスクの側面から検出する。 本稿では,複合周期を再構築するためのスキーの注意機構からなるSORNを提案する。
  論文  参考訳（メタデータ） (2024-08-08T05:43:20Z)
• Dynamic Data Pruning for Automatic Speech Recognition [58.95758272440217]
  ASR(DDP-ASR)のダイナミック・データ・プルーニング(Dynamic Data Pruning for ASR)を導入し,音声関連データセットに特化して微細なプルーニングの粒度を提供する。 実験の結果,DDP-ASRは最大1.6倍のトレーニング時間を節約できることがわかった。
  論文  参考訳（メタデータ） (2024-06-26T14:17:36Z)
• 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)
• 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)
• 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)

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。