論文の概要: An Online Approach to Solving Public Transit Stationing and Dispatch
Problem
- arxiv url: http://arxiv.org/abs/2403.03339v1
- Date: Tue, 5 Mar 2024 21:48:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 16:41:40.774029
- Title: An Online Approach to Solving Public Transit Stationing and Dispatch
Problem
- Title（参考訳）: 公共交通機関の停留とディスパッチ問題の解決へのオンラインアプローチ
- Authors: Jose Paolo Talusan, Chaeeun Han, Ayan Mukhopadhyay, Aron Laszka, Dan
Freudberg, Abhishek Dubey
- Abstract要約: 交通機関は限られた数の車両を予備に保管し、破壊時に被害経路を緩和するために派遣する。
本稿では、この問題を解決するために、非ミオピックシーケンシャルな決定手順を用いた原則的アプローチについて述べる。
実験の結果、提案手法は乗客を2%増やし、デッドヘッドマイルを40%削減することがわかった。
- 参考スコア（独自算出の注目度）: 7.948662269574215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Public bus transit systems provide critical transportation services for large
sections of modern communities. On-time performance and maintaining the
reliable quality of service is therefore very important. Unfortunately,
disruptions caused by overcrowding, vehicular failures, and road accidents
often lead to service performance degradation. Though transit agencies keep a
limited number of vehicles in reserve and dispatch them to relieve the affected
routes during disruptions, the procedure is often ad-hoc and has to rely on
human experience and intuition to allocate resources (vehicles) to affected
trips under uncertainty. In this paper, we describe a principled approach using
non-myopic sequential decision procedures to solve the problem and decide (a)
if it is advantageous to anticipate problems and proactively station transit
buses near areas with high-likelihood of disruptions and (b) decide if and
which vehicle to dispatch to a particular problem. Our approach was developed
in partnership with the Metropolitan Transportation Authority for a mid-sized
city in the USA and models the system as a semi-Markov decision problem (solved
as a Monte-Carlo tree search procedure) and shows that it is possible to obtain
an answer to these two coupled decision problems in a way that maximizes the
overall reward (number of people served). We sample many possible futures from
generative models, each is assigned to a tree and processed using root
parallelization. We validate our approach using 3 years of data from our
partner agency. Our experiments show that the proposed framework serves 2% more
passengers while reducing deadhead miles by 40%.
- Abstract（参考訳）: 公共バスの交通システムは、現代社会の大部分に重要な交通機関を提供している。
そのため、オンタイムのパフォーマンスと信頼性の高いサービスの品質を維持することが非常に重要です。
不幸なことに、過密、車両の故障、および交通事故による混乱は、しばしばサービス性能の低下に繋がる。
交通機関は限られた数の車両を予備に保管し、障害発生時の経路を緩和するために派遣するが、この手順はしばしばアドホックであり、不確実性下にある旅行に資源(車両)を割り当てるために人間の経験や直感に依存しなければならない。
本稿では,非近視的逐次的決定手順を用いた解法と決定法について述べる。
(a)トラブルを予知し、ディスラプションの多い付近で積極的にバスを停車させるのが有利である場合
(b)特定の問題に対してどの車両を派遣するかを決定する。
提案手法は,米国中規模都市におけるメトロポリタン交通公社と共同で開発され,半マルコフ決定問題(モンテカルロ木探索法として解決)としてモデル化され,これらの2つの連結決定問題に対して,全体報酬(提供者数)を最大化する方法で回答を得ることができることを示した。
生成モデルから可能な多くの未来をサンプリングし、それぞれ木に割り当てられ、ルート並列化を用いて処理される。
私たちはパートナーエージェンシーから3年間のデータを使ってアプローチを検証する。
実験の結果, 提案手法は, 死者数を40%削減しつつ, 乗客を2%増やすことができた。
関連論文リスト
- GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - Forecasting and Mitigating Disruptions in Public Bus Transit Services [7.948662269574215]
公共交通機関はしばしば、機械的故障や医療の緊急事態など、需要と破壊の予期せぬ変動に悩まされる。
これらの変動と混乱は遅延と混雑を招き、これは乗客の経験や交通機関全体の性能に有害である。
このような事態を積極的に緩和するため、多くの交通機関はサービスエリア全域で車両の交換(保存)を行い、過密や破壊に苦しむ路線で車両の増備や交換を行うことができる。
しかし, 代替車両を配置する最適な場所を決定することは, 乱れのランダム性や, 市内をまたがる場所を選択する性質から, 困難な問題となっている。
論文 参考訳（メタデータ） (2024-03-06T22:06:21Z) - Fair collaborative vehicle routing: A deep multi-agent reinforcement
learning approach [49.00137468773683]
協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。
従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。
我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
論文 参考訳（メタデータ） (2023-10-26T15:42:29Z) - Coalitional Bargaining via Reinforcement Learning: An Application to
Collaborative Vehicle Routing [49.00137468773683]
コラボレーティブ・ビークル・ルーティング(Collaborative Vehicle Routing)とは、デリバリ情報を共有し、互いに代理してデリバリ要求を実行することで、デリバリ企業が協力する場所である。
これによりスケールの経済が達成され、コスト、温室効果ガスの排出、道路渋滞が減少する。
しかし、どの会社が誰とパートナーし、それぞれの会社がどれだけの報酬を支払うべきか?
シャプリー値(英語版)やヌクレオルス(英語版)のような伝統的なゲーム理論解の概念は、協調車両ルーティング(英語版)の現実問題に対して計算することが困難である。
論文 参考訳（メタデータ） (2023-10-26T15:04:23Z) - Short Run Transit Route Planning Decision Support System Using a Deep
Learning-Based Weighted Graph [0.0]
本稿では,公共交通機関の計画立案者が短期間の経路改善を迅速に特定できるような,意思決定支援システムのための新しいディープラーニング手法を提案する。
本手法は,日中の2つの停留所間の経路をシームレスに調整することにより,時間を短縮し,PTサービスを増強する。
本研究では,道路セグメントの遅延値を予測するためのディープラーニングモデルを訓練し,これらの遅延値を輸送グラフのエッジ重みとして利用することにより,効率的な経路探索を実現する。
論文 参考訳（メタデータ） (2023-08-24T14:37:55Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳（メタデータ） (2023-06-13T05:58:57Z) - iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed
Multi-Agent Reinforcement Learning [57.24340061741223]
本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。
インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
論文 参考訳（メタデータ） (2023-06-09T20:12:02Z) - Towards Understanding the Benefits and Challenges of Demand Responsive Public Transit- A Case Study in the City of Charlotte, NC [3.678540247562326]
本研究は, ノースカロライナ州シャーロット市において, 交通依存人口が直面する課題について検討する。
本研究は、当初、待ち時間、信頼性の低いスケジュール、アクセシビリティの制限といった重要な問題を評価した。
この評価には、既存のシャーロット地域交通システム(CATS)モバイルアプリケーションの分析と、提案されたスマートオンデマンドトランジット技術に対するユーザ受け入れ調査が含まれていた。
論文 参考訳（メタデータ） (2023-04-09T03:10:36Z) - Real-Time Bus Arrival Prediction: A Deep Learning Approach for Enhanced
Urban Mobility [2.1374208474242815]
一般的な課題は、実際のバス到着時刻と予定された時刻とのミスマッチであり、固定されたスケジュールの混乱につながる。
本研究は,様々な交通機関(駅)におけるバス到着時刻を予測するための,革新的なAIに基づくデータ駆動手法を提案する。
完全に接続されたニューラルネットワークの展開により,公共バスの交通システムの精度と効率が向上する。
論文 参考訳（メタデータ） (2023-03-27T16:45:22Z) - Reducing Bus Bunching with Asynchronous Multi-Agent Reinforcement
Learning [11.168121941015013]
バスフラッキングは、バスサービスの信頼性と効率を損なう一般的な現象である。
経路レベルのバスフリート制御を非同期マルチエージェント強化学習問題として定式化する。
古典的なアクタークリティカルアーキテクチャを拡張して、非同期問題を扱う。
論文 参考訳（メタデータ） (2021-05-02T02:08:07Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳（メタデータ） (2021-04-28T07:54:40Z)
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。