論文の概要: Association between built environment characteristics and school run traffic congestion in Beijing, China
- arxiv url: http://arxiv.org/abs/2411.11390v1
- Date: Mon, 18 Nov 2024 09:05:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-19 14:34:09.220968
- Title: Association between built environment characteristics and school run traffic congestion in Beijing, China
- Title（参考訳）: 中国北京における建設環境特性と学校交通渋滞との関連
- Authors: Chaogui Kang, Xiaxin Wu, Jialei Shi, Chao Yang,
- Abstract要約: 学校は、学校周辺の交通渋滞を著しく悪化させ、学校運営中にフリーフローの確率を8.34%削減している。
学校が運営する交通渋滞は、複数の学校、バスの停留所、ビジネスや金融機能に関連する景観がある地域では深刻である。
- 参考スコア（独自算出の注目度）: 3.8996542996236605
- License:
- Abstract: School-escorted trips are a significant contributor to traffic congestion. Existing studies mainly compare road traffic during student pick-up/drop-off hours with off-peak times, often overlooking the fact that school-run traffic congestion is unevenly distributed across areas with different built environment characteristics. We examine the relationship between the built environment and school-run traffic congestion, using Beijing, China, as a case study. First, we use multi-source geospatial data to assess the built environment characteristics around schools across five dimensions: spatial concentration, transportation infrastructure, street topology, spatial richness, and scenescapes. Second, employing a generalized ordered logit model, we analyze how traffic congestion around schools varies during peak hours on school days, regular non-school days, and national college entrance exam days. Lastly, we identify the built environment factors contributing to school-run traffic congestion through multivariable linear regression and Shapley value explanations. Our findings reveal that: (1) School runs significantly exacerbate traffic congestion around schools, reducing the likelihood of free-flow by 8.34\% during school run times; (2) School-run traffic congestion is more severe in areas with multiple schools, bus stops, and scenescapes related to business and financial functions. These insights can inform the planning of new schools and urban upgrade strategies aimed at reducing traffic congestion.
- Abstract（参考訳）: 学校を飾った旅行は交通渋滞に大きく貢献している。
既存の研究では、学生のピックアップ/ドロップオフ時間における道路交通とオフピーク時間を主に比較しており、しばしば学校交通渋滞が、異なる環境特性の異なる地域にわたって不均一に分散されているという事実を見落としている。
中国北京市を事例として,建設環境と学校交通渋滞の関係について検討した。
まず, 空間集中, 交通インフラ, 街路地形, 空間豊かさ, 風景景観の5次元にわたって, 学校周辺の建築環境特性を評価するために, マルチソース地理空間データを用いた。
第2に,一般受注ロジットモデルを用いて,学校日,非就学日,国立大学入試日において,学校周辺の交通渋滞がピーク時にどのように変化するかを分析する。
最後に,多変数線形回帰とシェープ値による学校交通渋滞の原因となる環境要因を同定する。
その結果,(1)学校周辺の交通渋滞が著しく悪化し,学校走行時の自由流の確率が8.34倍に低下すること,(2)複数の学校,バス停,景観がビジネスや金融機能にかかわる地域では学校走行の渋滞が深刻化していること,などが判明した。
これらの知見は、交通渋滞の軽減を目的とした新しい学校計画や都市のアップグレード戦略を示唆するものである。
関連論文リスト
- Unveiling the influence of behavioural, built environment and socio-economic features on the spatial and temporal variability of bus use using explainable machine learning [0.04096453902709291]
都市部への距離が大きくなると、バス利用の空間的変動が増大する。
旅行の出発点と目的地の高度分離は、空間的および時間的変動を減少させる。
道路密度の低下は、特に朝のバス利用の空間変動の増大と関連している。
論文 参考訳（メタデータ） (2024-02-06T11:47:40Z) - 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) - Deep Reinforcement Learning to Maximize Arterial Usage during Extreme
Congestion [4.934817254755007]
本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。
エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。
エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
論文 参考訳（メタデータ） (2023-05-16T16:53:27Z) - Repainting and Imitating Learning for Lane Detection [52.5220065495956]
現行の車線検出手法は、重い影による視認性車線問題に苦慮している。
本稿では,教師と学生のペアを含む新しいリペイント・イミメーティング学習フレームワークを提案する。
提案手法は,推定中に余分な時間的コストを伴わず,様々な最先端車線検出ネットワークでプラグアンドプレイが可能となる。
論文 参考訳（メタデータ） (2022-10-11T02:26:39Z) - Variability Analysis of Isolated Intersections Through Case Study [1.2891210250935146]
都市部の人口と経済成長により、民間車の利用が激化している。
信号化交差点は交通管理の主要な関心事である。
データは飽和フロー、構成、ボリューム、容量対容量比などのトラフィックパラメータを推定する。
論文 参考訳（メタデータ） (2022-10-08T04:13:35Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Understanding Cycling Mobility: Bologna Case Study [0.0]
この研究の主な目的は、イタリアのボローニャ市におけるサイクリングモビリティの研究である。
320,118回のセルフレポートされた自転車旅行からなる6ヶ月のデータセットを使用しました。
本研究の主な結果は, 自転車の利用が気温, 降水量と相関し, 風速や汚染と相関しないことを示している。
論文 参考訳（メタデータ） (2021-09-09T13:11:35Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - 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) - Defining Traffic States using Spatio-temporal Traffic Graphs [9.861775841965386]
本稿では,交通グラフを用いた交差点の空間領域の交通状況の把握手法を提案する。
これらのトラフィックグラフが時間とともに異なるトラフィック状態を示す方法 — a) 渋滞が形成されている(クランプ)、あるいは、渋滞が分散している(アンクランプ)、c) トラフィックが正常に流れている(中性)。
論文 参考訳（メタデータ） (2020-07-27T17:27:52Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-23T03:50:46Z)
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。