論文の概要: Urban Mobility: AI, ODE-Based Modeling, and Scenario Planning
- arxiv url: http://arxiv.org/abs/2410.19915v1
- Date: Fri, 25 Oct 2024 18:09:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-29 12:21:03.552570
- Title: Urban Mobility: AI, ODE-Based Modeling, and Scenario Planning
- Title(参考訳): Urban Mobility: AI、ODEベースのモデリング、シナリオプランニング
- Authors: Katsiaryna Bahamazava,
- Abstract要約: 我々は、自動運転車やインテリジェントな交通管理といったAIイノベーションが、異なる規制条件下での交通渋滞軽減に与える影響を定量化する。
我々のODEモデルは、AI導入率と交通渋滞のダイナミックな関係を捉え、将来のシナリオをどのように展開するかについての定量的な洞察を提供する。
この研究は、予測、シナリオ計画、ODEモデリングが、AIの採用を通じてより効率的で持続可能で、生き生きとした都市を作るための戦略にどのように役立つかを理解するのに寄与する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Urbanization and technological advancements are reshaping the future of urban mobility, presenting both challenges and opportunities. This paper combines foresight and scenario planning with mathematical modeling using Ordinary Differential Equations (ODEs) to explore how Artificial Intelligence (AI)-driven technologies can transform transportation systems. By simulating ODE-based models in Python, we quantify the impact of AI innovations, such as autonomous vehicles and intelligent traffic management, on reducing traffic congestion under different regulatory conditions. Our ODE models capture the dynamic relationship between AI adoption rates and traffic congestion, providing quantitative insights into how future scenarios might unfold. By incorporating industry collaborations and case studies, we offer strategic guidance for businesses and policymakers navigating this evolving landscape. This study contributes to understanding how foresight, scenario planning, and ODE modeling can inform strategies for creating more efficient, sustainable, and livable cities through AI adoption.
- Abstract(参考訳): 都市化と技術進歩は都市移動の未来を変え、課題と機会の両方を提示している。
本稿では、予測とシナリオ計画と、通常微分方程式(ODE)を用いた数学的モデリングを組み合わせることで、人工知能(AI)駆動技術が輸送システムをどのように変換するかを考察する。
ODEベースのモデルをPythonでシミュレートすることにより、自動運転車やインテリジェントトラフィック管理といったAIイノベーションが、異なる規制条件下での交通渋滞軽減に与える影響を定量化する。
我々のODEモデルは、AI導入率と交通渋滞のダイナミックな関係を捉え、将来のシナリオをどのように展開するかについての定量的な洞察を提供する。
産業協力とケーススタディを取り入れることで、ビジネスや政策立案者に戦略的なガイダンスを提供する。
この研究は、予測、シナリオ計画、ODEモデリングが、AIの採用を通じてより効率的で持続可能で、生き生きとした都市を作るための戦略にどのように役立つかを理解するのに寄与する。
関連論文リスト
- CoDriveVLM: VLM-Enhanced Urban Cooperative Dispatching and Motion Planning for Future Autonomous Mobility on Demand Systems [17.765742276150565]
CoDriveVLMは、将来の自律型モビリティ・オン・デマンド(AMoD)システムのために、高忠実な同時ディスパッチと協調動作計画を統合する新しいフレームワークである。
提案手法は,視覚言語モデル(VLM)を用いて多モード情報処理を強化し,包括的ディスパッチと衝突リスク評価を可能にする。
論文 参考訳(メタデータ) (2025-01-10T17:44:57Z) - Artificial Intelligence in Traffic Systems [0.0]
この記事では、AIとトラフィック管理が交わるトピックについてレビューする。
AIによる交通信号制御システム、自動距離、速度認識などの分野で構成されている。
トラフィック管理におけるAIのメリットも様々である。
論文 参考訳(メタデータ) (2024-12-16T18:15:49Z) - Cooperative Cruising: Reinforcement Learning-Based Time-Headway Control for Increased Traffic Efficiency [4.982603129041808]
本稿では,高速道路の交通効率を人的交通と比較して初めて向上させる新しいAIシステムを提案する。
私たちのアプローチの核心は、自動車両にタイムヘッドを通信する強化学習ベースのコントローラです。
論文 参考訳(メタデータ) (2024-12-03T16:13:42Z) - Agent-Agnostic Centralized Training for Decentralized Multi-Agent Cooperative Driving [17.659812774579756]
本研究では,自律走行車における分散型協調運転ポリシーを学習する非対称アクター・批判モデルを提案する。
マスキングを用いたアテンションニューラルネットワークを用いることで,実世界の交通動態と部分観測可能性の効率よく管理できる。
論文 参考訳(メタデータ) (2024-03-18T16:13:02Z) - LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments [3.7788636451616697]
本研究は,大規模言語モデルを交通信号制御システムに統合する革新的なアプローチを導入する。
LLMを知覚と意思決定ツールのスイートで強化するハイブリッドフレームワークが提案されている。
シミュレーションの結果から,交通環境の多種性に適応するシステムの有効性が示された。
論文 参考訳(メタデータ) (2024-03-13T08:41:55Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-16T16:54:10Z) - Vision Paper: Causal Inference for Interpretable and Robust Machine
Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。
ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。
このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文 参考訳(メタデータ) (2022-10-18T17:28:58Z) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳(メタデータ) (2022-07-30T16:23:45Z) - 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) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳(メタデータ) (2022-03-05T10:54:05Z) - AI in Smart Cities: Challenges and approaches to enable road vehicle
automation and smart traffic control [56.73750387509709]
SCCは、活動やユーティリティの自動化と最適化による効率向上を目指すデータ中心の社会を構想しています。
本稿では、SCCにおけるAIの視点を説明し、道路車両の自動化とスマート交通制御を可能にする交通で使用されるAIベースの技術の概要を示す。
論文 参考訳(メタデータ) (2021-04-07T14:31:08Z)
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。