Fugu-MT 論文翻訳(概要): Agent-based Simulation Evaluation of CBD Tolling: A Case Study from New York City

論文の概要: Agent-based Simulation Evaluation of CBD Tolling: A Case Study from New York City

arxiv url: http://arxiv.org/abs/2402.10834v1
Date: Fri, 16 Feb 2024 17:09:49 GMT
ステータス: 処理完了
システム内更新日: 2024-02-19 15:05:35.953078
Title: Agent-based Simulation Evaluation of CBD Tolling: A Case Study from New York City
Title（参考訳）: エージェントに基づくcbd料金のシミュレーション評価:ニューヨーク市を事例として
Authors: Qingnan Liang, Ruili Yao, Ruixuan Zhang, Zhibin Chen, Guoyuan Wu
Abstract要約: MATSimは、エージェントレベルでの顕微鏡的挙動を提供するシミュレーションプラットフォームである。ニューヨーク市マンハッタン・セントラル・ビジネス・ディストリクト(NYC)の超粒度交通ネットワークモデルを用いたケーススタディを行う。その結果、テスト対象の料金プログラムは、個人車両の容積を規制し、公共交通機関の利用を促進することが示唆された。
参考スコア（独自算出の注目度）: 7.847915546266008
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Congestion tollings have been widely developed and adopted as an effective tool to mitigate urban traffic congestion and enhance transportation system sustainability. Nevertheless, these tolling schemes are often tailored on a city-by-city or even area-by-area basis, and the cost of conducting field experiments often makes the design and evaluation process challenging. In this work, we leverage MATSim, a simulation platform that provides microscopic behaviors at the agent level, to evaluate performance on tolling schemes. Specifically, we conduct a case study of the Manhattan Central Business District (CBD) in New York City (NYC) using a fine-granularity traffic network model in the large-scale agent behavior setting. The flexibility of MATSim enables the implementation of a customized tolling policy proposed yet not deployed by the NYC agency while providing detailed interpretations. The quantitative and qualitative results indicate that the tested tolling program can regulate the personal vehicle volume in the CBD area and encourage the usage of public transportation, which proves to be a practical move towards sustainable transportation systems. More importantly, our work demonstrates that agent-based simulation helps better understand the travel pattern change subject to tollings in dense and complex urban environments, and it has the potential to facilitate efficient decision-making for the devotion to sustainable traffic management.
Abstract（参考訳）: 都市交通渋滞を緩和し、輸送システムの持続可能性を高める効果的な手段として、渋滞料金が広く開発され、採用されている。しかしながら、これらの料金体系は都市や地域ごとに調整されることが多く、フィールド実験を行うコストが設計と評価を困難にすることが多い。本研究では,エージェントレベルでの微視的動作を提供するシミュレーションプラットフォームであるmatsimを用いて,課金方式の性能評価を行う。具体的には,ニューヨークのマンハッタン・セントラル・ビジネス・ディストリクト(cbd)において,大規模エージェント行動設定における細粒度トラヒック・ネットワークモデルを用いて事例研究を行った。 MATSimの柔軟性により、NYCが展開していないが詳細な解釈を提供しながら、カスタマイズされた料金ポリシーの実装が可能になる。定量的・定性的な結果から,cbdエリアにおける個人用車両の容積を規制し,公共交通機関の利用を促進することが可能であり,持続可能な交通システムに向けた実用的な動きであることが示唆された。さらに重要なことに,エージェントベースのシミュレーションは,密集した都市環境における料金負担に伴う移動パターンの変化をより深く理解し,持続的交通管理への献身のための効率的な意思決定を促進する可能性を秘めている。

関連論文リスト

A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data [0.0]
本研究では,機械学習アルゴリズムと実交通情報を組み合わせた都市移動性向上手法を提案する。ニューヨーク市の黄色いタクシー旅行のデータを用いて,旅行時間と渋滞解析の予測モデルを構築した。本研究は、高度データ駆動方式による都市渋滞の低減と交通効率の向上を目的とした継続的な取り組みに寄与する。
論文参考訳（メタデータ） (2024-10-07T16:16:49Z)
Urban traffic congestion control: a DeePC change [3.0023888160895473]
本稿では,動的な交通信号を用いた都市交通制御において,DeePCアルゴリズムを利用する。予備的な結果は、DeePCが旅行時間やCO$排出など、さまざまな主要な指標で既存のアプローチ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） (2023-11-16T12:26:55Z)
Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文参考訳（メタデータ） (2023-09-01T19:29:53Z)
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)
TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文参考訳（メタデータ） (2023-03-07T18:28:41Z)
An ASP Framework for Efficient Urban Traffic Optimization [0.0]
本稿では,数百台の車両による大規模道路網における交通流を効率的にシミュレートし,最適化する枠組みを提案する。このフレームワークは、Answer Set Programming (ASP)エンコーディングを利用して、ネットワーク内の車両の動きを正式に記述する。これにより、ネットワーク内の車両の経路を最適化し、関連するメトリクスの幅を減らすことができる。
論文参考訳（メタデータ） (2022-08-05T10:50:38Z)
Self-organising Urban Traffic control on micro-level using Reinforcement Learning and Agent-based Modelling [0.0]
この研究は、強化学習とルールベースエージェントを組み合わせた自己組織化マイクロレベル制御によるトラフィックフローの最適化に対処する。その結果, 局所環境センサによる個別の意思決定と再学習により, マイクロレベル車両ナビゲーション制御の展開により, 移動効率が向上することが示唆された。
論文参考訳（メタデータ） (2022-02-24T18:10:42Z)
Route Optimization via Environment-Aware Deep Network and Reinforcement Learning [7.063811319445716]
車両サービス提供者(タクシー運転手など)の収益性を最大化するモバイルシーケンシャルレコメンデーションシステムを開発する。顧客ピックアップポイント監視のための自己チェック機構とディープニューラルネットワークを統合することにより,この問題に対処するための強化学習フレームワークを提案する。新型コロナウイルスの感染拡大前後のニューヨーク市における黄色いタクシーデータをもとに,本手法の有効性を評価するための総合的な実験を行った。
論文参考訳（メタデータ） (2021-11-16T02:19:13Z)
An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文参考訳（メタデータ） (2021-08-02T08:13:57Z)
End-to-end Interpretable Neural Motion Planner [78.69295676456085]
複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
論文参考訳（メタデータ） (2021-01-17T14:16:12Z)
TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文参考訳（メタデータ） (2021-01-17T00:29:30Z)

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。