Fugu-MT 論文翻訳(概要): Learning from user's behaviour of some well-known congested traffic networks

論文の概要: Learning from user's behaviour of some well-known congested traffic networks

arxiv url: http://arxiv.org/abs/2508.14804v1
Date: Wed, 20 Aug 2025 15:53:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-21 16:52:41.512274
Title: Learning from user's behaviour of some well-known congested traffic networks
Title（参考訳）: よく知られた交通ネットワークにおけるユーザの行動から学ぶ
Authors: Isolda Cardoso, Lucas Venturato, Jorgelina Walpen,
Abstract要約: 本稿では,トラフィック割り当て問題である平衡条件下での渋滞したトラフィックネットワークのユーザ行動予測の問題について考察する。本稿では,ニューラルネットワークと固定点アルゴリズムを結合した2段階の機械学習手法を提案する。
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: We consider the problem of predicting users' behavior of a congested traffic network under an equilibrium condition, the traffic assignment problem. We propose a two-stage machine learning approach which couples a neural network with a fixed point algorithm, and we evaluate its performance along several classical congested traffic networks.
Abstract（参考訳）: 本稿では,トラフィック割り当て問題である平衡条件下での渋滞したトラフィックネットワークのユーザ行動予測の問題について考察する。本稿では,ニューラルネットワークと固定点アルゴリズムを結合した2段階の機械学習手法を提案する。

関連論文リスト

Multi-Class Traffic Assignment using Multi-View Heterogeneous Graph Attention Networks [5.205252810216621]
我々は,多クラス車両が関与する場合に,交通代行のための革新的なサロゲートモデルを開発する。本モデルは,リンクフローと利用率の高精度な予測を行いながら,流れの保存に固執する。
論文参考訳（メタデータ） (2025-01-15T19:53:14Z)
Reinforcement Learning for Adaptive Traffic Signal Control: Turn-Based and Time-Based Approaches to Reduce Congestion [2.733700237741334]
本稿では,交差点における信号処理の強化にReinforcement Learning(強化学習)を用いることについて検討する。本稿では,リアルタイム待ち行列長に基づく信号の動的優先順位付けを行うターンベースエージェントと,交通条件に応じた信号位相長の調整を行うタイムベースエージェントの2つのアルゴリズムを紹介する。シミュレーションの結果、両RLアルゴリズムは従来の信号制御システムよりも大幅に優れていた。
論文参考訳（メタデータ） (2024-08-28T12:35:56Z)
A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文参考訳（メタデータ） (2024-03-11T16:42:29Z)
Leveraging Neo4j and deep learning for traffic congestion simulation & optimization [0.0]
渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
論文参考訳（メタデータ） (2023-04-01T01:23:10Z)
A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification [9.365794791156972]
本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。 LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
論文参考訳（メタデータ） (2022-02-11T10:21:34Z)
Cellular traffic offloading via Opportunistic Networking with Reinforcement Learning [0.5758073912084364]
本稿では,Reinforcement Learningフレームワークに基づく適応型オフロードソリューションを提案する。 Actor-Critic と Q-Learning の2つのよく知られた学習アルゴリズムの性能を評価し比較する。我々のソリューションは、他の最先端のアプローチよりも高いレベルのオフロードを実現する。
論文参考訳（メタデータ） (2021-10-01T13:34:12Z)
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)
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)

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。