論文の概要: Strategizing Equitable Transit Evacuations: A Data-Driven Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2412.05777v1
• Date: Sun, 08 Dec 2024 02:17:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:59:13.027638
• Title: Strategizing Equitable Transit Evacuations: A Data-Driven Reinforcement Learning Approach
• Title（参考訳）: 平等な交通避難の戦略: データ駆動型強化学習アプローチ
• Authors: Fang Tang, Han Wang, Maria Laura Delle Monache,
• Abstract要約: 本稿では,バスによる避難を最適化するデータ駆動型強化学習フレームワークを提案する。 我々は、避難問題を強化学習によって解決されたマルコフ決定過程としてモデル化する。 提案手法は,避難効率とサービス分散の両面で,大幅な改善を実現していることを示す。
• 参考スコア（独自算出の注目度）: 5.962540020947193
• License:
• Abstract: As natural disasters become increasingly frequent, the need for efficient and equitable evacuation planning has become more critical. This paper proposes a data-driven, reinforcement learning-based framework to optimize bus-based evacuations with an emphasis on improving both efficiency and equity. We model the evacuation problem as a Markov Decision Process solved by reinforcement learning, using real-time transit data from General Transit Feed Specification and transportation networks extracted from OpenStreetMap. The reinforcement learning agent dynamically reroutes buses from their scheduled location to minimize total passengers' evacuation time while prioritizing equity-priority communities. Simulations on the San Francisco Bay Area transportation network indicate that the proposed framework achieves significant improvements in both evacuation efficiency and equitable service distribution compared to traditional rule-based and random strategies. These results highlight the potential of reinforcement learning to enhance system performance and urban resilience during emergency evacuations, offering a scalable solution for real-world applications in intelligent transportation systems.
• Abstract（参考訳）: 自然災害が頻発するにつれて、効率的で公平な避難計画の必要性が高まっている。 本稿では,バスによる避難を最適化するデータ駆動型強化学習フレームワークを提案する。 我々は,一般交通情報仕様とOpenStreetMapから抽出した交通ネットワークのリアルタイム・トランジットデータを用いて,強化学習によって解決されたマルコフ決定プロセスとして避難問題をモデル化する。 この強化学習エージェントは、予定地からバスを動的に切り離し、全乗客の避難時間を最小化し、公平なコミュニティを優先する。 サンフランシスコベイエリア交通ネットワークのシミュレーションでは,従来のルールベースやランダム戦略と比較して,避難効率とサービス分散の両面で大幅な改善が達成されている。 これらの結果は,緊急避難時のシステム性能と都市のレジリエンスを高めるための強化学習の可能性を強調し,インテリジェント交通システムにおける現実の応用にスケーラブルなソリューションを提供する。

関連論文リスト

• Rethinking Optimal Transport in Offline Reinforcement Learning [64.56896902186126]
  オフラインの強化学習では、データはさまざまな専門家によって提供され、一部は準最適である。 効率的なポリシを抽出するには、データセットから最高の振る舞いを強調する必要がある。 本稿では,各状態に対する最善の専門家行動の公平な分布に状態をマッピングするポリシーを見つけることを目的としたアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T22:36:43Z)
• 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)
• Forecasting and Mitigating Disruptions in Public Bus Transit Services [7.948662269574215]
  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。
  論文  参考訳（メタデータ） (2024-03-06T22:06:21Z)
• A Reinforcement Learning Approach for Dynamic Rebalancing in Bike-Sharing System [11.237099288412558]
  自転車シェアリングシステムはエコフレンドリーな都市移動を提供し、交通渋滞と健康的な生活様式の緩和に貢献している。 駅間で自転車を再分配するための車両を用いた効果的な再バランス戦略の開発は、オペレーターにとって非常に重要である。 本稿では,複数の車両との動的再バランス問題に対する時間的強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-05T23:46:42Z)
• Short Run Transit Route Planning Decision Support System Using a Deep Learning-Based Weighted Graph [0.0]
  本稿では,公共交通機関の計画立案者が短期間の経路改善を迅速に特定できるような,意思決定支援システムのための新しいディープラーニング手法を提案する。 本手法は,日中の2つの停留所間の経路をシームレスに調整することにより,時間を短縮し,PTサービスを増強する。 本研究では,道路セグメントの遅延値を予測するためのディープラーニングモデルを訓練し,これらの遅延値を輸送グラフのエッジ重みとして利用することにより,効率的な経路探索を実現する。
  論文  参考訳（メタデータ） (2023-08-24T14:37:55Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• Building Transportation Foundation Model via Generative Graph Transformer [12.660129805049664]
  本稿では,交通シミュレーションの原理を交通予測に統合した交通基盤モデル(TFM)を提案する。 TFMは、移動系アクターの参加行動と相互作用を捉えるために、グラフ構造と動的グラフ生成アルゴリズムを使用する。 このデータ駆動・モデルフリーシミュレーション手法は、構造的複雑性とモデル精度の観点から、従来のシステムで直面する課題に対処する。
  論文  参考訳（メタデータ） (2023-05-24T07:34:15Z)
• Estimating the Robustness of Public Transport Systems Using Machine Learning [62.997667081978825]
  公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。 乗客の観点からの堅牢性の統合により、作業はさらに困難になる。 本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-10T05:52:56Z)
• 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)
• Congestion-aware Evacuation Routing using Augmented Reality Devices [96.68280427555808]
  複数の目的地間でリアルタイムに個別の避難経路を生成する屋内避難のための渋滞対応ルーティングソリューションを提案する。 建物内の混雑分布をモデル化するために、ユーザエンド拡張現実(AR)デバイスから避難者の位置を集約して、オンザフライで取得した人口密度マップを用いる。
  論文  参考訳（メタデータ） (2020-04-25T22:54:35Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。