論文の概要: AI-Driven Scenarios for Urban Mobility: Quantifying the Role of ODE Models and Scenario Planning in Reducing Traffic Congestion

• arxiv url: http://arxiv.org/abs/2410.19915v2
• Date: Tue, 07 Jan 2025 13:14:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 16:58:02.73826
• Title: AI-Driven Scenarios for Urban Mobility: Quantifying the Role of ODE Models and Scenario Planning in Reducing Traffic Congestion
• Title（参考訳）: 都市移動のためのAI駆動シナリオ:交通渋滞軽減におけるODEモデルとシナリオプランニングの役割の定量化
• Authors: Katsiaryna Bahamazava,
• Abstract要約: 本稿では,人工知能(AI)駆動技術が交通渋滞動態に与える影響について検討する。 我々は,自動運転車やインテリジェント交通管理といったAIイノベーションが,さまざまな規制枠組みの下での混雑緩和に果たす役割を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urbanization and technological advancements are reshaping urban mobility, presenting both challenges and opportunities. This paper investigates how Artificial Intelligence (AI)-driven technologies can impact traffic congestion dynamics and explores their potential to enhance transportation systems' efficiency. Specifically, we assess the role of AI innovations, such as autonomous vehicles and intelligent traffic management, in mitigating congestion under varying regulatory frameworks. Autonomous vehicles reduce congestion through optimized traffic flow, real-time route adjustments, and decreased human errors. The study employs Ordinary Differential Equations (ODEs) to model the dynamic relationship between AI adoption rates and traffic congestion, capturing systemic feedback loops. Quantitative outputs include threshold levels of AI adoption needed to achieve significant congestion reduction, while qualitative insights stem from scenario planning exploring regulatory and societal conditions. This dual-method approach offers actionable strategies for policymakers to create efficient, sustainable, and equitable urban transportation systems. While safety implications of AI are acknowledged, this study primarily focuses on congestion reduction dynamics.
• Abstract（参考訳）: 都市化と技術進歩は都市のモビリティを変革し、課題と機会の両方を提示している。 本稿では,人工知能(AI)駆動技術が交通渋滞の動態にどのように影響するかを考察し,輸送システムの効率を高める可能性を探る。 具体的には,自律走行車やインテリジェント交通管理といったAIイノベーションが,さまざまな規制枠組みの下での混雑緩和に果たす役割を評価する。 自動運転車は、最適化されたトラフィックフロー、リアルタイムのルート調整、ヒューマンエラーによる渋滞を減らす。 この研究は、通常微分方程式(ODE)を用いて、AI導入率と交通渋滞のダイナミックな関係をモデル化し、システム的なフィードバックループをキャプチャする。 定量的なアウトプットには、大きな渋滞低減を達成するために必要なAI採用のしきい値レベルが含まれており、質的な洞察は、規制と社会的条件を探求するシナリオ計画に由来する。 このデュアルメソッドアプローチは、政策立案者が効率的で持続可能で公平な都市交通システムを構築するための実用的な戦略を提供する。 AIの安全性は認識されているが、この研究は主に渋滞低減のダイナミクスに焦点を当てている。

関連論文リスト

• Generative AI in Transportation Planning: A Survey [50.88844036728445]
  我々は、交通計画においてGenAIを活用するための最初の包括的枠組みを提示する。 交通計画の観点から, 記述的, 予測的, 生成的, シミュレーション, 説明可能なタスクの自動化におけるGenAIの役割を検討する。 データ不足、説明可能性、バイアス軽減、ドメイン固有の評価フレームワークの開発など、重要な課題に対処する。
  論文  参考訳（メタデータ） (2025-03-10T10:33:31Z)
• Revolutionizing Traffic Management with AI-Powered Machine Vision: A Step Toward Smart Cities [0.9374652839580183]
  本研究では、人工知能(AI)と機械ビジョン技術が交通システムに革命をもたらす可能性を探求する。 本研究は、高度な監視カメラとディープラーニングアルゴリズムを活用して、車両、交通異常、運転者の挙動をリアルタイムに検出するシステムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T19:50:42Z)
• 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)
• Exploring the Interplay Between Video Generation and World Models in Autonomous Driving: A Survey [61.39993881402787]
  世界モデルとビデオ生成は、自動運転の領域において重要な技術である。 本稿では,この2つの技術の関係について検討する。 映像生成モデルと世界モデルとの相互作用を分析することにより,重要な課題と今後の研究方向性を明らかにする。
  論文  参考訳（メタデータ） (2024-11-05T08:58:35Z)
• GenAI-powered Multi-Agent Paradigm for Smart Urban Mobility: Opportunities and Challenges for Integrating Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) with Intelligent Transportation Systems [10.310791311301962]
  本稿では,大規模言語モデル (LLM) と新生検索・拡張生成技術 (RAG) の変換可能性について検討する。 本稿では,スマートモビリティサービスをインテリジェントかつ対話的に提供可能なマルチエージェントシステムの開発を目的とした概念的フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-31T16:14:42Z)
• Continual Learning for Adaptable Car-Following in Dynamic Traffic Environments [16.587883982785]
  自動運転技術の継続的な進化には、多様なダイナミックな交通環境に適応できる自動車追従モデルが必要である。 従来の学習ベースのモデルは、連続的な学習能力の欠如により、目に見えないトラフィックパターンに遭遇する際のパフォーマンス低下に悩まされることが多い。 本稿では,この制限に対処する連続学習に基づく新しい車追従モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-17T06:32:52Z)
• 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)
• A Survey of Generative AI for Intelligent Transportation Systems: Road Transportation Perspective [7.770651543578893]
  我々は、異なる生成AI技術の原則を紹介する。 我々は,ITSにおけるタスクを,交通認識,交通予測,交通シミュレーション,交通意思決定の4つのタイプに分類する。 これらの4種類のタスクにおいて、生成的AI技術が重要な問題にどのように対処するかを説明する。
  論文  参考訳（メタデータ） (2023-12-13T16:13:23Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• 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)
• Graph Neural Network Reinforcement Learning for Autonomous Mobility-on-Demand Systems [42.08603087208381]
  我々は、AMoD制御問題は自然にノードワイドな意思決定問題として位置づけられていると論じる。 グラフニューラルネットワークによるAMoDシステムの再バランスを制御するための深層強化学習フレームワークを提案する。 重要可搬性タスクに直面した場合、学習したポリシーがゼロショット転送能力を有望に示す方法を示す。
  論文  参考訳（メタデータ） (2021-04-23T06:42:38Z)
• 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)
• Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
  学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。 本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。 提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:42:59Z)
• Delta Schema Network in Model-based Reinforcement Learning [125.99533416395765]
  この研究は、伝達学習の非効率性である人工知能の未解決問題に焦点が当てられている。 環境データからオブジェクトとアクション間の論理的関係を抽出できるスキーマネットワーク手法を拡張している。 本稿では,デルタネットワーク(DSN)をトレーニングし,環境の将来状態を予測し,前向きな報酬をもたらす計画行動を示すアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-17T15:58:25Z)

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。