Fugu-MT 論文翻訳(概要): Demand Modeling for Advanced Air Mobility

論文の概要: Demand Modeling for Advanced Air Mobility

arxiv url: http://arxiv.org/abs/2412.06807v1
Date: Mon, 25 Nov 2024 21:51:39 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-15 08:28:40.004038
Title: Demand Modeling for Advanced Air Mobility
Title（参考訳）: 高度空気移動のための需要モデリング
Authors: Kamal Acharya, Mehul Lad, Liang Sun, Houbing Song,
Abstract要約: Advanced Air Mobility (AAM) は有望な輸送手段として登場した。本研究は、テネシー州の国勢調査区域における雇用ベースの旅行データを分析し、AAMの需要動態を分析した。その結果,一般交通費の70%以上を航空輸送が占める場合,AAMにとって旅行は有効である可能性が示唆された。
参考スコア（独自算出の注目度）: 21.445133878049333
License:
Abstract: In recent years, the rapid pace of urbanization has posed profound challenges globally, exacerbating environmental concerns and escalating traffic congestion in metropolitan areas. To mitigate these issues, Advanced Air Mobility (AAM) has emerged as a promising transportation alternative. However, the effective implementation of AAM requires robust demand modeling. This study delves into the demand dynamics of AAM by analyzing employment based trip data across Tennessee's census tracts, employing statistical techniques and machine learning models to enhance accuracy in demand forecasting. Drawing on datasets from the Bureau of Transportation Statistics (BTS), the Internal Revenue Service (IRS), the Federal Aviation Administration (FAA), and additional sources, we perform cost, time, and risk assessments to compute the Generalized Cost of Trip (GCT). Our findings indicate that trips are more likely to be viable for AAM if air transportation accounts for over 70\% of the GCT and the journey spans more than 250 miles. The study not only refines the understanding of AAM demand but also guides strategic planning and policy formulation for sustainable urban mobility solutions. The data and code can be accessed on GitHub.{https://github.com/lotussavy/IEEEBigData-2024.git }
Abstract（参考訳）: 近年、都市化の急激なペースは、世界規模で大きな課題となり、環境問題が悪化し、大都市圏の交通渋滞がエスカレートしている。これらの問題を緩和するため、Advanced Air Mobility (AAM) は有望な輸送手段として登場した。しかし、AAMの効果的な実装には、堅牢な需要モデリングが必要である。本研究は、テネシー州の国勢調査区域における雇用ベースの旅行データを分析し、需要予測の精度を高めるために統計技術と機械学習モデルを用いて、AAMの需要動態を考察した。交通統計局(BTS)、内国歳入庁(IRS)、連邦航空局(FAA)、および追加の情報源からのデータセットに基づいて、我々は、一般トリップのコスト(GCT)を計算するためにコスト、時間、リスクアセスメントを行う。航空輸送がGCTの70%以上を占め、航続距離が250マイル以上ある場合、AAMにとって旅行は有効である可能性が示唆された。この研究は、AAM需要の理解を深めるだけでなく、持続可能な都市モビリティソリューションのための戦略計画と政策策定を導く。データとコードはGitHubからアクセスすることができる。 https://github.com/lotussavy/IEEEBigData-2024.git }

関連論文リスト

Diffusion-based Auction Mechanism for Efficient Resource Management in 6G-enabled Vehicular Metaverses [57.010829427434516]
6G対応のVehicular Metaversesでは、車両は物理的車両のデジタルレプリカとして機能するVT(Vine Twins)によって表現される。 VTタスクはリソース集約であり、高速処理のために地上基地局(BS)にオフロードする必要がある。地上BSとUAV間の資源配分を最適化する学習型修正第2バイド(MSB)オークション機構を提案する。
論文参考訳（メタデータ） (2024-11-01T04:34:54Z)
Beyond Words: Evaluating Large Language Models in Transportation Planning [0.0]
本研究では,大規模言語モデル(LLM),特にGPT-4とPhi-3-miniの評価を行い,交通計画の充実を図る。この結果は、都市交通計画におけるGenAI技術の変革の可能性を示している。
論文参考訳（メタデータ） (2024-09-22T16:20:00Z)
Deep Reinforcement Learning for Real-Time Ground Delay Program Revision and Corresponding Flight Delay Assignments [24.09560293826079]
地上遅延プログラム(英語: Ground Delay Programs, GDP)は、航空交通管理(ATM)において、空港における容量の調整と不一致の要求に使用される一般的な交通管理イニシアチブである。動作クローン(BC)と保守的Qラーニング(CQL)という2つのRLモデルを開発した。これらのモデルは、地上および空中遅延と終端領域の混雑を統合した洗練された報酬関数を利用することで、GDP効率を向上させるように設計されている。
論文参考訳（メタデータ） (2024-05-14T03:48:45Z)
Fast Decision Support for Air Traffic Management at Urban Air Mobility Vertiports using Graph Learning [7.2547164017692625]
アーバン・エアモビリティ(UAM)航空機は、バーティポートと呼ばれる小さな空港から運用される。このスケジュールをリアルタイムで管理することは、従来の航空交通管制官にとって難しいが、代わりに自動化されたソリューションを求めている。本稿では,UAM-VSM(Urban Air Mobility - Vertiport Schedule Management)問題に対する新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-08-17T16:05:44Z)
Multi-Agent Deep Reinforcement Learning for Dynamic Avatar Migration in AIoT-enabled Vehicular Metaverses with Trajectory Prediction [70.9337170201739]
本稿では,その歴史データに基づいて,知的車両の将来の軌跡を予測するモデルを提案する。提案アルゴリズムは,予測なしでアバタータスクの実行遅延を約25%削減できることを示す。
論文参考訳（メタデータ） (2023-06-26T13:27:11Z)
Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN) for Travel Demand Forecasting During Wildfires [5.215306867715247]
本研究では,山火事避難時の旅行生成をモデル化するための新しい方法論の枠組みを開発し,検証する。 GPSデータから推定される旅行需要に基づいて、我々は新しいディープラーニングモデル、すなわち状況対応マルチグラフ畳み込みリカレントネットワーク(SA-MGCRN)を開発する。提案手法は, カリフォルニア州ソノマ郡の2019年キンケード火災を事例として, 本研究で検証した。
論文参考訳（メタデータ） (2023-04-13T03:04:36Z)
Simulating the Integration of Urban Air Mobility into Existing Transportation Systems: A Survey [37.20137308650717]
都市空気移動(UAM)は、大都市圏の交通に革命をもたらす可能性がある。都市交通におけるUAM研究の現状をシミュレーション手法を用いて調査する。
論文参考訳（メタデータ） (2023-01-25T16:43:28Z)
Wireless-Enabled Asynchronous Federated Fourier Neural Network for Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。 UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。 GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
論文参考訳（メタデータ） (2021-12-26T14:41:52Z)
Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文参考訳（メタデータ） (2020-08-29T15:14:03Z)
Smart Urban Mobility: When Mobility Systems Meet Smart Data [55.456196356335745]
都市人口は都市部で約25億人に達し、道路交通量は2050年までに12億台を超えた。輸送部門の経済貢献は欧州のGDPの5%を占め、アメリカでは平均482.05億ドルの費用がかかる。
論文参考訳（メタデータ） (2020-05-09T13:53:01Z)
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。