論文の概要: Congestion Reduction in EV Charger Placement Using Traffic Equilibrium Models

• arxiv url: http://arxiv.org/abs/2512.12081v1
• Date: Fri, 12 Dec 2025 23:06:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.10363
• Title: Congestion Reduction in EV Charger Placement Using Traffic Equilibrium Models
• Title（参考訳）: 交通平衡モデルを用いたEV充電器配置の混雑低減
• Authors: Semih Kara, Yasin Sonmez, Can Kizilkale, Alex Kurzhanskiy, Nuno C. Martins, Murat Arcak,
• Abstract要約: 本研究では,2つの平衡モデルを用いてEV充電器を戦略的に配置し,混雑を低減する方法について検討する。 実験により、この欲求スキームは現実的なネットワークにおいて最適な、あるいはほぼ最適な混雑結果をもたらすことが示された。 本稿では,待ち行列シミュレーションの遅延を校正し,リンク空間の平衡を解く統一手法を提案する。
• 参考スコア（独自算出の注目度）: 0.2770822269241973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Growing EV adoption can worsen traffic conditions if chargers are sited without regard to their impact on congestion. We study how to strategically place EV chargers to reduce congestion using two equilibrium models: one based on congestion games and one based on an atomic queueing simulation. We apply both models within a scalable greedy station-placement algorithm. Experiments show that this greedy scheme yields optimal or near-optimal congestion outcomes in realistic networks, even though global optimality is not guaranteed as we show with a counterexample. We also show that the queueing-based approach yields more realistic results than the congestion-game model, and we present a unified methodology that calibrates congestion delays from queue simulation and solves equilibrium in link-space.
• Abstract（参考訳）: EVの普及は、渋滞の影響を受けずに充電器が設置されている場合、交通状況が悪化する可能性がある。 本研究では,2つの平衡モデルを用いて,EV充電器を戦略的に配置する方法について検討する。 両モデルをスケーラブルなグリーディステーション配置アルゴリズムに適用する。 実験結果から,本手法は現実的なネットワークにおいて,大域的最適性が保証されないにもかかわらず,最適あるいはほぼ最適な混雑結果をもたらすことが示された。 また、待ち行列に基づくアプローチは、混雑ゲームモデルよりも現実的な結果をもたらすことを示し、また、待ち行列シミュレーションから混雑遅延を校正し、リンク空間の平衡を解く統一手法を提案する。

関連論文リスト

• Quantum Annealing for Realistic Traffic Flow Optimization: Clustering and Data-Driven QUBO [0.39325957466009204]
  本稿では、トラフィック最適化を擬似非制約バイナリ最適化として再構成するデータ駆動方式を提案する。 このモデルは、シミュレーションされた現実的なモビリティデータ、複数のルーティング代替品、分析的に導出されたペナルティ制約を統合する。 最大25,000台の車両のベンチマークでは、ハイブリッド量子アニールは古典的解法であるグロビの1%以内で最適に近い解が得られることが示されている。
  論文  参考訳（メタデータ） (2025-10-07T15:46:49Z)
• Large-scale Regional Traffic Signal Control Based on Single-Agent Reinforcement Learning [5.1129002613887105]
  本稿では,単一エージェント強化学習(RL)に基づく地域交通信号制御モデルを提案する。 このモデルは、広域交通渋滞を緩和し、総走行時間を最小化することを目的として、広範囲にわたる交通信号を調整することができる。 SUMO交通シミュレーションソフトウェアを用いて実験を行った。
  論文  参考訳（メタデータ） (2025-03-12T10:51:29Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
  シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。 本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。 特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
  論文  参考訳（メタデータ） (2023-07-07T15:42:35Z)
• 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)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• 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)

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。