論文の概要: Driver Fatigue Prediction using Randomly Activated Neural Networks for Smart Ridesharing Platforms
- arxiv url: http://arxiv.org/abs/2404.10684v1
- Date: Tue, 16 Apr 2024 16:04:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-17 16:14:57.612883
- Title: Driver Fatigue Prediction using Randomly Activated Neural Networks for Smart Ridesharing Platforms
- Title（参考訳）: ランダムに活性化されたニューラルネットワークを用いたスマートライドシェアリングプラットフォームにおけるドライバ疲労予測
- Authors: Sree Pooja Akula, Mukund Telukunta, Venkata Sriram Siddhardh Nadendla,
- Abstract要約: ライドシェアリングプラットフォームのドライバーは、一日中ライドオファーを受けると認知萎縮と疲労を示す。
本稿では,ドライバーの移動時の乗車決定をモデル化し,予測するための新しい動的満足度(DDS)を提案する。
本報告では,シカゴのタクシーのシミュレーション実験と実際のタクシーデータを用いて,提案手法の有効性を実証する。
- 参考スコア（独自算出の注目度）: 0.21847754147782888
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Drivers in ridesharing platforms exhibit cognitive atrophy and fatigue as they accept ride offers along the day, which can have a significant impact on the overall efficiency of the ridesharing platform. In contrast to the current literature which focuses primarily on modeling and learning driver's preferences across different ride offers, this paper proposes a novel Dynamic Discounted Satisficing (DDS) heuristic to model and predict driver's sequential ride decisions during a given shift. Based on DDS heuristic, a novel stochastic neural network with random activations is proposed to model DDS heuristic and predict the final decision made by a given driver. The presence of random activations in the network necessitated the development of a novel training algorithm called Sampling-Based Back Propagation Through Time (SBPTT), where gradients are computed for independent instances of neural networks (obtained via sampling the distribution of activation threshold) and aggregated to update the network parameters. Using both simulation experiments as well as on real Chicago taxi dataset, this paper demonstrates the improved performance of the proposed approach, when compared to state-of-the-art methods.
- Abstract（参考訳）: ライドシェアリングプラットフォームのドライバーは、その日のライドオファーを受け入れることで認知的萎縮と疲労を示し、ライドシェアリングプラットフォームの全体的な効率に大きな影響を与える可能性がある。
本論文は,運転者の選択のモデル化と学習に主眼を置いている現状の文献とは対照的に,所定のシフト中に運転者のシーケンシャルな乗務決定をモデル化し,予測するための,新しいDDS (Dynamic Discounted Satisficing) ヒューリスティックを提案する。
DDSヒューリスティックに基づいて、ランダムなアクティベーションを持つ新しい確率的ニューラルネットワークが提案され、DDSヒューリスティックをモデル化し、与えられたドライバーによる最終的な決定を予測する。
ネットワーク内のランダムなアクティベーションの存在は、SBPTT(Samping-Based Back Propagation Through Time)と呼ばれる新しいトレーニングアルゴリズムの開発を必要とした。
本報告では,シカゴのタクシーのシミュレーション実験と実際のタクシーデータを用いて,最先端手法と比較して,提案手法の性能向上を実証する。
関連論文リスト
- DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。
特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。
nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文 参考訳（メタデータ） (2024-09-15T15:55:24Z) - Traffic Pattern Classification in Smart Cities Using Deep Recurrent
Neural Network [0.519400993594577]
本稿では,ディープリカレントニューラルネットワークに基づく交通パターン分類手法を提案する。
提案モデルでは、畳み込み層と繰り返し層を組み合わせて、トラフィックパターンデータから特徴を抽出する。
その結果,提案モデルは,95%の精度でスマートシティの交通パターンを正確に分類できることがわかった。
論文 参考訳（メタデータ） (2024-01-24T20:24:32Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode
Decomposition and Res-UNet+ Neural Networks [0.0]
本稿では,高角交通カメラから車両軌跡を抽出する,機械学習による縦走査法を提案する。
空間時間マップ(STMap)をスパースフォアグラウンドおよびローランク背景に分解することにより,車両ストランドの抽出に動的モード分解(DMD)法を適用した。
Res-UNet+という名前のディープニューラルネットワークは、2つの一般的なディープラーニングアーキテクチャを適用することでセマンティックセグメンテーションタスクのために設計された。
論文 参考訳（メタデータ） (2022-01-13T00:49:24Z) - Bayesian Optimization and Deep Learning forsteering wheel angle
prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。
BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文 参考訳（メタデータ） (2021-10-22T15:25:14Z) - A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。
DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。
その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2021-06-08T16:27:04Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳（メタデータ） (2021-03-01T06:47:29Z) - Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural
Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。
提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文 参考訳（メタデータ） (2021-02-24T05:02:19Z) - Driving Style Representation in Convolutional Recurrent Neural Network
Model of Driver Identification [8.007800530105191]
運転スタイルのための高忠実度表現を構築するために,D-CRNNと呼ばれるディープ・ニューラル・ネットワークアーキテクチャを提案する。
CNNを用いて、軌道からの運転行動の意味的パターンをキャプチャする。
次に、RNNを用いて駆動スタイルをエンコードするこれらのセマンティックパターン間の時間的依存関係を見つけ出す。
論文 参考訳（メタデータ） (2021-02-11T04:33:43Z) - Pedestrian Trajectory Prediction with Convolutional Neural Networks [0.3787359747190393]
本稿では,新しい2次元畳み込みモデルを導入し,歩行者軌道予測への新たなアプローチを提案する。
この新モデルはリカレントモデルより優れており、ETHとTrajNetデータセットの最先端の結果が得られる。
また,歩行者の位置と強力なデータ拡張手法を効果的に表現するシステムを提案する。
論文 参考訳（メタデータ） (2020-10-12T15:51:01Z) - DSDNet: Deep Structured self-Driving Network [92.9456652486422]
本稿では,1つのニューラルネットワークを用いて物体検出,動き予測,動き計画を行うDeep Structured Self-Driving Network (DSDNet)を提案する。
我々は,アクター間の相互作用を考慮し,社会的に一貫したマルチモーダル未来予測を生成する,深く構造化されたエネルギーベースモデルを開発する。
論文 参考訳（メタデータ） (2020-08-13T17:54:06Z)
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。