論文の概要: On-demand Mobility Services for Urban Resilience: A Review Towards
Human-Machine Collaborative Future
- arxiv url: http://arxiv.org/abs/2403.03107v1
- Date: Tue, 5 Mar 2024 16:51:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 14:12:05.647316
- Title: On-demand Mobility Services for Urban Resilience: A Review Towards
Human-Machine Collaborative Future
- Title(参考訳): 都市レジリエンスのためのオンデマンドモビリティサービス:人間と機械のコラボレーションの未来をめざして
- Authors: Jiangbo Yu
- Abstract要約: モビリティ・オン・デマンド(MOD)サービスは、都市の物流・交通インフラの適応性と回復を著しく改善する可能性がある。
MOD-Rサービスは、異常検出、本質的な供給、避難および救助、現場医療、電力グリッド安定化、ダウンタイム中のトランジットサービス置換に利用されてきた。
このレビューは、危機時に多機能なMOD-Rサービスを効果的に実装するために、人間とインテリジェントマシンの集合能力を活用することの重要性を示唆している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mobility-on-demand (MOD) services have the potential to significantly improve
the adaptiveness and recovery of urban logistics and transportation
infrastructure, in the wake of disruptive events. This paper presents a survey
on the usage of MOD services for resilience improvement (MOD-R) and finds a
noticeable increase within recent years on this topic across four main areas:
resilient MOD services, novel usage of MOD-R services for improving supply
chain resilience, empirical impact evaluation, and supporting technologies.
MOD-R services have been utilized for anomaly detection, essential supply
delivery, evacuation and rescue, on-site medical care, power grid
stabilization, transit service substitution during downtime, and infrastructure
and equipment repair. The review reveals integrating electrification,
automation, and advanced communication technologies offers significant
synergistic benefits. The review also suggests the importance of harnessing the
collective capabilities of humans and intelligent machines to effectively
implement versatile, multi-functional MOD-R services during crises.
- Abstract(参考訳): モビリティ・オン・デマンド(MOD)サービスは、ディスラプティブイベントの結果として、都市の物流と交通インフラの適応性と回復を著しく改善する可能性がある。
本稿では, レジリエンス改善(MOD-R)におけるMODサービスの利用状況について調査し, レジリエントなMODサービス, サプライチェーンレジリエンス向上のためのMOD-Rサービスの新規利用, 経験的影響評価, サポート技術という4つの分野にまたがって, 近年顕著な増加傾向を示した。
MOD-Rサービスは異常検出、本質的な供給、避難・救助、現場医療、電力グリッド安定化、ダウンタイム中の交通サービス置換、インフラと機器の修理に利用されている。
このレビューは、電化、自動化、高度な通信技術の統合が、大きな相乗効果をもたらすことを明らかにしている。
また、危機時に多機能なMOD-Rサービスを効果的に実装するために、人間とインテリジェントマシンの集合能力を活用することの重要性も示唆している。
関連論文リスト
- TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled
Prescriptive Maintenance Framework [62.73424880653293]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T02:27:54Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳(メタデータ) (2023-09-16T11:37:23Z) - Domain Adaptation of Reinforcement Learning Agents based on Network
Service Proximity [7.701606434020316]
6Gネットワークの今後の採用により、新しいタイプのサービスが期待されている。
特定のサービスタイプのニーズを管理するために訓練されたRLエージェントは、ドメイン適応なしで異なるサービスタイプを管理するのに理想的ではないかもしれない。
我々は、最も近いサービスのRLエージェントが、ドメイン適応の明確に定義されたプロセスを通じて、新しいサービスタイプに迅速に適応することを示します。
論文 参考訳(メタデータ) (2023-03-02T06:57:35Z) - Spatial, Social and Data Gaps in On-Demand Mobility Services: Towards a
Supply-Oriented MaaS [3.299672391663527]
10年間のオンデマンドモビリティサービスの後、シェアード・オートモービル(SAV)サービスは交通渋滞を増大させ、輸送サービスへの不平等なアクセスを期待されている。
需要を認識しながらオンデマンドではない定期的な供給のパラダイムが提案されている。
論文 参考訳(メタデータ) (2023-02-20T10:04:41Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳(メタデータ) (2022-11-29T01:18:58Z) - Engineering data-driven solutions for future mobility: perspectives and
challenges [0.0]
デジタル化は、モビリティエコシステムの未来を形成する上で重要な役割を果たしていると期待されている。
本稿では,今後のデジタル化モビリティシステムの要件をサポートする,データ駆動型エンジニアリングソリューションの機会と課題について論じる。
論文 参考訳(メタデータ) (2022-03-15T11:10:02Z) - DRLD-SP: A Deep Reinforcement Learning-based Dynamic Service Placement
in Edge-Enabled Internet of Vehicles [4.010371060637208]
5Gとエッジコンピューティングは、車載インターネット(IoV)の出現を可能にした
エッジでの限られたリソース、車両の高モビリティ、需要の増加、サービス要求タイプの動的性は、サービスの配置を困難なタスクにしました。
トラフィックモビリティやサービスのダイナミクスを考慮していないため、典型的な静的配置ソリューションは効果的ではありません。
本稿では,最大エッジリソース使用量とサービス遅延を最小限に抑えることを目的とした,Deep Reinforcement Learningに基づく動的サービス配置フレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-11T10:17:27Z) - A reinforcement learning approach to improve communication performance
and energy utilization in fog-based IoT [3.158346511479111]
本稿では,各移動体フォグ中継エージェント(MFRA)が自律エージェントによって制御される,Qラーニングに基づく分散型アプローチを提案する。
当社のアプローチでは、データの信頼性を確保し、全体のエネルギーコストを56.76%削減できる -- 88.03%。
論文 参考訳(メタデータ) (2021-06-01T17:38:20Z) - Communication Efficient Federated Learning with Energy Awareness over
Wireless Networks [51.645564534597625]
フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。
我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。
2つの最適化問題を定式化し、学習性能を最適化する。
FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-04-15T21:25:13Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z) - Artificial Intelligence Aided Next-Generation Networks Relying on UAVs [140.42435857856455]
動的環境において,人工知能(AI)による無人航空機(UAV)による次世代ネットワーク支援が提案されている。
AI対応のUAV支援無線ネットワーク(UAWN)では、複数のUAVが航空基地局として使用され、ダイナミックな環境に迅速に適応することができる。
AIフレームワークの利点として、従来のUAWNのいくつかの課題が回避され、ネットワークパフォーマンスが向上し、信頼性が向上し、アジャイル適応性が向上する。
論文 参考訳(メタデータ) (2020-01-28T15:10:22Z)
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。