論文の概要: Probability-Aware Parking Selection

• arxiv url: http://arxiv.org/abs/2601.00521v1
• Date: Fri, 02 Jan 2026 01:13:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.49297
• Title: Probability-Aware Parking Selection
• Title（参考訳）: 確率を考慮した駐車選択
• Authors: Cameron Hickert, Sirui Li, Zhengbing He, Cathy Wu,
• Abstract要約: 現在の駐車ナビゲーションシステムは、駐車スペースの探索に費やした時間を考慮せず、総走行時間を過小評価することが多い。 本稿では、目的地に直行するのではなく、運転者が最適な駐車場所へ誘導することを目的とした、確率対応駐車選択問題を提案する。
• 参考スコア（独自算出の注目度）: 18.77524916287049
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current parking navigation systems often underestimate total travel time by failing to account for the time spent searching for a parking space, which significantly affects user experience, mode choice, congestion, and emissions. To address this issue, this paper introduces the probability-aware parking selection problem, which aims to direct drivers to the best parking location rather than straight to their destination. An adaptable dynamic programming framework is proposed for decision-making based on probabilistic information about parking availability at the parking lot level. Closed-form analysis determines when it is optimal to target a specific parking lot or explore alternatives, as well as the expected time cost. Sensitivity analysis and three illustrative cases are examined, demonstrating the model's ability to account for the dynamic nature of parking availability. Acknowledging the financial costs of permanent sensing infrastructure, the paper provides analytical and empirical assessments of errors incurred when leveraging stochastic observations to estimate parking availability. Experiments with real-world data from the US city of Seattle indicate this approach's viability, with mean absolute error decreasing from 7% to below 2% as observation frequency grows. In data-based simulations, probability-aware strategies demonstrate time savings up to 66% relative to probability-unaware baselines, yet still take up to 123% longer than direct-to-destination estimates.
• Abstract（参考訳）: 現在の駐車ナビゲーションシステムでは、駐車スペースの探索に費やした時間を考慮せず、ユーザエクスペリエンス、モードの選択、混雑、エミッションなどに大きな影響を与えているため、総走行時間を過小評価することが多い。 この問題に対処するため, 目的地に直行するのではなく, 運転者が最適な駐車場所へ誘導することを目的とした, 確率認識型駐車選択問題を提案する。 駐車場レベルでの駐車可利用性に関する確率的情報に基づく意思決定のための適応可能な動的プログラミングフレームワークを提案する。 クローズドフォーム分析は、特定の駐車場をターゲットにしたり、代替案を探したりするのに最適なタイミングと、期待される時間コストを決定する。 感性解析と3つの図案事例について検討し,駐車場利用のダイナミックな性質をモデルが説明できることを示す。 本論文は、恒久的センシングインフラの経済的コストを認識し、確率的観測を利用して駐車場の可利用性を推定する際の誤差の分析的および実証的な評価を提供する。 米国シアトル市による実世界のデータによる実験は、観測頻度の増加に伴って絶対誤差が7%から2%以下に減少する、このアプローチの生存可能性を示している。 データベースのシミュレーションでは、確率認識戦略は確率認識ベースラインと比較して最大66%の時間節約を実証するが、直接決定推定よりも最大123%長くかかる。

関連論文リスト

• Crowdsourced reviews reveal substantial disparities in public perceptions of parking [2.3034861262968453]
  本研究は,全米の駐車場に対する一般の認識を調査するため,費用対効果が高く,広くアクセス可能なデータソースであるクラウドソースオンラインレビューを紹介した。 Google Mapsから得られた911のコアベース統計領域(CBSA)を対象に,駐車関連レビュー4,987,483件のPOI(1,129,460点)について検討した。 POI型とCBSA型にまたがるパーキング感の顕著な変化がみられ,レストランPOIは最もネガティブな傾向を示した。
  論文  参考訳（メタデータ） (2024-07-06T15:17:17Z)
• Efficient Parking Search using Shared Fleet Data [2.0967973517861003]
  スマート環境における自由駐車場の発見は,マルコフ決定過程(MDP)としてモデル化し,解決することができる。 環境中の全ての車両の駐車意図を知ることは、不確実性を排除します。 本稿では,車両内のデータ共有が,特定のドライバーの検索時間にどの程度有用か,という課題について考察する。
  論文  参考訳（メタデータ） (2024-04-16T15:20:28Z)
• Truck Parking Usage Prediction with Decomposed Graph Neural Networks [15.291200515217513]
  貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。 正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。 本稿では、州全体での駐車場利用を予測するために、Reg-TCN(Reg-TCN)を提案する。
  論文  参考訳（メタデータ） (2024-01-23T17:14:01Z)
• 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)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
  本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。 我々は,認識,予測,局所化を共同で行うシステムの設計を行う。 本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
  論文  参考訳（メタデータ） (2021-01-17T17:20:31Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)

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。