Fugu-MT 論文翻訳(概要): The Optimized path for the public transportation of Incheon in South Korea

論文の概要: The Optimized path for the public transportation of Incheon in South Korea

arxiv url: http://arxiv.org/abs/2309.10006v1
Date: Mon, 18 Sep 2023 02:09:39 GMT
ステータス: 処理完了
システム内更新日: 2023-09-20 18:30:02.108884
Title: The Optimized path for the public transportation of Incheon in South Korea
Title（参考訳）: 韓国における仁川公共交通路の最適化
Authors: Soroor Malekmohammadi faradunbeh, Hongle Li, Mangkyu Kang, Choongjae Iim
Abstract要約: 改良されたA*アルゴリズムは、ジェネティックやディクストラのような他の基本的なパスフィニングアルゴリズムよりも性能が良いことを示す。提案手法では,大量のデータ(ポイント)であっても,リアルタイムに最短経路を見つけることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Path-finding is one of the most popular subjects in the field of computer science. Pathfinding strategies determine a path from a given coordinate to another. The focus of this paper is on finding the optimal path for the bus transportation system based on passenger demand. This study is based on bus stations in Incheon, South Korea, and we show that our modified A* algorithm performs better than other basic pathfinding algorithms such as the Genetic and Dijkstra. Our proposed approach can find the shortest path in real-time even for large amounts of data(points).
Abstract（参考訳）: パスフィンディングはコンピュータ科学の分野で最も人気のある分野の一つである。パスフィニング戦略は、ある座標から別の座標への経路を決定する。本論文は、乗客需要に基づくバス輸送システムのための最適な経路を見つけることに焦点を当てている。本研究は韓国・仁川市のバス駅をベースとし,a*アルゴリズムが遺伝的アルゴリズムやdijkstraアルゴリズムなど,他の基本的なパス探索アルゴリズムよりも優れた性能を示す。提案手法は,大量のデータ(ポイント)であっても,最短経路をリアルタイムに見つけることができる。

関連論文リスト

Rethinking Optimal Transport in Offline Reinforcement Learning [64.56896902186126]
オフラインの強化学習では、データはさまざまな専門家によって提供され、一部は準最適である。効率的なポリシを抽出するには、データセットから最高の振る舞いを強調する必要がある。本稿では,各状態に対する最善の専門家行動の公平な分布に状態をマッピングするポリシーを見つけることを目的としたアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-17T22:36:43Z)
Research on Travel Route Planing Problems Based on Greedy Algorithm [0.0]
欲求アルゴリズムに基づく経路計画問題は、与えられた開始点と終了点の間の最適経路またはほぼ最適経路を特定する方法を表す。本稿では,まず都市評価指標をダウンスケールし,主要な主要成分を抽出し,データをダウンスケールするためにPCA法を用いる。旅行者のニーズに応じて個別にルートをカスタマイズする,欲求に基づく経路計画アルゴリズムが提案され,最適化されている。
論文参考訳（メタデータ） (2024-10-17T05:17:01Z)
NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain [5.337162499594818]
本稿では,この縮小された検索空間内でのみ最適な経路をAstarのような基礎アルゴリズムで見つけることができるNNPPモデルを提案する。 NNPPモデルは、多くの事前注釈付き最適経路のデモから、スタート地点とゴール地点に関する情報とマップ表現を学習する。新規地図上での経路計画のテキストカラー化が可能である。
論文参考訳（メタデータ） (2023-08-09T08:31:05Z)
GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation [93.60478281489243]
3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
論文参考訳（メタデータ） (2022-05-30T16:22:53Z)
A Metaheuristic Algorithm for Large Maximum Weight Independent Set Problems [58.348679046591265]
ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
論文参考訳（メタデータ） (2022-03-28T21:34:16Z)
Find a Way Forward: a Language-Guided Semantic Map Navigator [53.69229615952205]
本稿では,新たな視点で言語誘導ナビゲーションの問題に対処する。ロボットが自然言語の指示を実行し、地図観測に基づいて目標位置へ移動できるようにする。提案手法は特に長距離ナビゲーションの場合において顕著な性能向上をもたらす。
論文参考訳（メタデータ） (2022-03-07T07:40:33Z)
Systematic Comparison of Path Planning Algorithms using PathBench [55.335463666037086]
パスプランニングはモバイルロボティクスの重要な構成要素である。学習に基づく経路計画アルゴリズムの開発は、急速な成長を遂げている。本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
論文参考訳（メタデータ） (2022-03-07T01:52:57Z)
User Preferences and the Shortest Path [1.52292571922932]
室内ナビゲーションシステムはルートを計算するために最短経路アルゴリズムを利用する。厳格なパス」は、アプリケーションドメインの理論や基準に基づいて指定する必要がある。ここでの「Ideal」は、人間が選択したルートと最もよく似たルートを計画するアルゴリズムを導くものであると定義されている。
論文参考訳（メタデータ） (2021-07-23T11:54:15Z)
PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms [59.3879573040863]
パスプランニングは、モバイルロボティクスの重要なコンポーネントです。アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
論文参考訳（メタデータ） (2021-05-04T21:48:18Z)
Deep Reinforcement Learning Based Dynamic Route Planning for Minimizing Travel Time [8.234463661266169]
歩行者の深い強化学習に基づく経路計画アルゴリズムを設計する。本稿では,道路渋滞を回避するため,エージェントが深層Qネットワークを通じて戦略を学習する動的調整可能な経路計画法を提案する。シミュレーションの結果,DARPアルゴリズムは,従来の最短経路計画アルゴリズムと比較して,混雑条件下で52%の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） (2020-11-03T15:10:09Z)

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。