論文の概要: Forecasting and Mitigating Disruptions in Public Bus Transit Services
- arxiv url: http://arxiv.org/abs/2403.04072v1
- Date: Wed, 6 Mar 2024 22:06:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 15:56:11.028736
- Title: Forecasting and Mitigating Disruptions in Public Bus Transit Services
- Title(参考訳): 公共バスサービスにおける混乱の予測と緩和
- Authors: Chaeeun Han, Jose Paolo Talusan, Dan Freudberg, Ayan Mukhopadhyay,
Abhishek Dubey, Aron Laszka
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.948662269574215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Public transportation systems often suffer from unexpected fluctuations in
demand and disruptions, such as mechanical failures and medical emergencies.
These fluctuations and disruptions lead to delays and overcrowding, which are
detrimental to the passengers' experience and to the overall performance of the
transit service. To proactively mitigate such events, many transit agencies
station substitute (reserve) vehicles throughout their service areas, which
they can dispatch to augment or replace vehicles on routes that suffer
overcrowding or disruption. However, determining the optimal locations where
substitute vehicles should be stationed is a challenging problem due to the
inherent randomness of disruptions and due to the combinatorial nature of
selecting locations across a city. In collaboration with the transit agency of
Nashville, TN, we address this problem by introducing data-driven statistical
and machine-learning models for forecasting disruptions and an effective
randomized local-search algorithm for selecting locations where substitute
vehicles are to be stationed. Our research demonstrates promising results in
proactive disruption management, offering a practical and easily implementable
solution for transit agencies to enhance the reliability of their services. Our
results resonate beyond mere operational efficiency: by advancing proactive
strategies, our approach fosters more resilient and accessible public
transportation, contributing to equitable urban mobility and ultimately
benefiting the communities that rely on public transportation the most.
- Abstract(参考訳): 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、乗客の経験と交通機関の全体的な性能を損なう遅延と過密に繋がる。
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, ディスラプションの固有のランダム性や, 都市全体での場所選択の組合せ性により, 困難な問題となっている。
ナッシュビルの交通機関と共同で、障害予測のためのデータ駆動統計モデルと機械学習モデルを導入し、代替車両の設置場所を選択するための効率的なランダム化局所探索アルゴリズムを提案する。
本研究は,先進的破壊管理における有望な成果を実証し,交通機関がサービスの信頼性を高めるための実用的かつ容易に実装可能なソリューションを提供する。
積極的な戦略を推し進めることで、よりレジリエントでアクセス可能な公共交通機関を促進し、平等な都市移動に寄与し、最終的には公共交通に最も依存するコミュニティに利益をもたらします。
関連論文リスト
- A methodological framework for Resilience as a Service (RaaS) in multimodal urban transportation networks [0.0]
本研究は,サービス戦略としてのレジリエンスを通じて公共交通の混乱を管理することを目的としている。
効率よく資源を割り当て、オペレーターと乗客のコストを最小限に抑える最適化モデルを開発する。
提案手法はイル・ド・フランス、パリ、郊外のケーススタディに適用された。
論文 参考訳(メタデータ) (2024-08-30T12:22:34Z) - 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) - An Online Approach to Solving Public Transit Stationing and Dispatch
Problem [7.948662269574215]
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。
論文 参考訳(メタデータ) (2024-03-05T21:48:29Z) - 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) - Safe Model-Based Multi-Agent Mean-Field Reinforcement Learning [48.667697255912614]
平均場強化学習は、同一エージェントの無限集団と相互作用する代表エージェントのポリシーに対処する。
モデルベースの平均場強化学習アルゴリズムであるSafe-M$3$-UCRLを提案する。
本アルゴリズムは,低需要領域におけるサービスアクセシビリティを確保しつつ,重要な領域における需要を効果的に満たす。
論文 参考訳(メタデータ) (2023-06-29T15:57:07Z) - 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) - 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) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳(メタデータ) (2022-06-28T17:08:31Z) - Flatland Competition 2020: MAPF and MARL for Efficient Train
Coordination on a Grid World [49.80905654161763]
車両再スケジュール問題(vrsp)の解法開発を目的としたフラットランドコンペティション
VRSPは、交通ネットワークにおける旅行のスケジュールと、故障が発生した場合の車両の再スケジュールに関するものである。
現代の鉄道網の複雑化は、交通の動的リアルタイムスケジューリングを事実上不可能にします。
論文 参考訳(メタデータ) (2021-03-30T17:13:29Z) - Incentivizing Routing Choices for Safe and Efficient Transportation in
the Face of the COVID-19 Pandemic [14.943238230772264]
安全かつ効率的な交通ネットワークを実現するために,感染リスクと混雑のトレードオフを設定するために,金融インセンティブを利用することを提案する。
デザイナの手間をかけずに、様々な都市や時代に役立てるために、輸送オプションに関する人間の好みを学ぶためのデータ駆動のアプローチも提案しています。
論文 参考訳(メタデータ) (2020-12-28T13:52:06Z) - Real-time and Large-scale Fleet Allocation of Autonomous Taxis: A Case
Study in New York Manhattan Island [14.501650948647324]
従来のモデルは、供給(自動タクシー)と需要(トリップ)の不均衡に対処するために、利用可能な船隊を効率的に割り当てることに失敗した
艦隊配置決定をモデル化するために、制約付きマルチエージェントマルコフ決定プロセス(CMMDP)を用いる。
また、カラム生成アルゴリズムを利用して、大規模に効率性と最適性を保証する。
論文 参考訳(メタデータ) (2020-09-06T16:00:15Z)
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。