論文の概要: Traffic-Aware Optimal Taxi Placement Using Graph Neural Network-Based Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2601.00607v1
• Date: Fri, 02 Jan 2026 08:31:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.541526
• Title: Traffic-Aware Optimal Taxi Placement Using Graph Neural Network-Based Reinforcement Learning
• Title（参考訳）: グラフニューラルネットワークによる強化学習を用いた交通適応型最適タクシー配置
• Authors: Sonia Khetarpaul, P Y Sharan,
• Abstract要約: 本稿では,都市環境における最適なタクシー配車のためのトラヒック対応グラフベース強化学習フレームワークを提案する。 提案手法は,マルチモーダル交通システムに適用可能であり,リアルタイム都市移動最適化のためのスマートシティプラットフォームに統合可能である。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the context of smart city transportation, efficient matching of taxi supply with passenger demand requires real-time integration of urban traffic network data and mobility patterns. Conventional taxi hotspot prediction models often rely solely on historical demand, overlooking dynamic influences such as traffic congestion, road incidents, and public events. This paper presents a traffic-aware, graph-based reinforcement learning (RL) framework for optimal taxi placement in metropolitan environments. The urban road network is modeled as a graph where intersections represent nodes, road segments serve as edges, and node attributes capture historical demand, event proximity, and real-time congestion scores obtained from live traffic APIs. Graph Neural Network (GNN) embeddings are employed to encode spatial-temporal dependencies within the traffic network, which are then used by a Q-learning agent to recommend optimal taxi hotspots. The reward mechanism jointly optimizes passenger waiting time, driver travel distance, and congestion avoidance. Experiments on a simulated Delhi taxi dataset, generated using real geospatial boundaries and historic ride-hailing request patterns, demonstrate that the proposed model reduced passenger waiting time by about 56% and reduced travel distance by 38% compared to baseline stochastic selection. The proposed approach is adaptable to multi-modal transport systems and can be integrated into smart city platforms for real-time urban mobility optimization.
• Abstract（参考訳）: スマートシティ交通の文脈では、タクシーの供給と乗客需要の効率的なマッチングには、都市交通ネットワークデータと移動パターンのリアルタイム統合が必要である。 従来のタクシーホットスポット予測モデルは、交通渋滞、道路事故、公共イベントなどの動的な影響を見越して、歴史的需要にのみ依存することが多い。 本稿では,都市環境における最適なタクシー配車のための交通対応グラフベース強化学習(RL)フレームワークを提案する。 都市道路網は、交差点がノードを表し、道路セグメントがエッジとして機能し、ノード属性が、ライブトラフィックAPIから得られる歴史的需要、イベント近接、リアルタイムの混雑スコアをキャプチャするグラフとしてモデル化されている。 グラフニューラルネットワーク(GNN)埋め込みは、トラフィックネットワーク内の空間的時間的依存関係を符号化するために使用され、Qラーニングエージェントが最適なタクシーホットスポットを推奨するために使用する。 報酬機構は、乗客待ち時間、運転者旅行距離、渋滞回避を共同で最適化する。 実地空間境界と歴史的配車要求パターンを用いて生成したデリータクシーのシミュレーション実験により,提案モデルにより乗客待ち時間を約56%削減し,走行距離をベースライン確率選択と比較して38%削減した。 提案手法は,マルチモーダル交通システムに適用可能であり,リアルタイム都市移動最適化のためのスマートシティプラットフォームに統合可能である。

関連論文リスト

• Spatio-Temporal Graph Neural Network for Urban Spaces: Interpolating Citywide Traffic Volume [4.188237759092441]
  本稿では,新しい都市交通量推定手法であるGNNUI(Graph Neural Network for Urban Interpolation)を紹介する。 GNNUIは、学習のためにマスキングアルゴリズムを採用し、機能的な役割を捉えるためにノード機能を統合する。 このモデルに加えて、異なる交通手段をカバーする2つの新しいオープンスケール都市交通量ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-05-07T13:34:00Z)
• 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)
• Graph Construction with Flexible Nodes for Traffic Demand Prediction [44.1996864038085]
  本稿では,自由フローティング交通モードに適したグラフ構築手法を提案する。 グラフ内のノードのフレキシブルな位置決めを決定するために,新しい密度ベースクラスタリングアルゴリズム (HDPC-L) を提案する。 深セン自転車シェアリングデータセットとハイコウライドシェアリングデータセットの2つの実世界のデータセットに関する総合的な実験は、この手法がモデルの性能を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2024-03-01T04:38:51Z)
• MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
  本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。 車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。 複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
  論文  参考訳（メタデータ） (2024-01-16T14:22:44Z)
• Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank [15.123457772023238]
  交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。 TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。 隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
  論文  参考訳（メタデータ） (2023-08-17T13:29:57Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network for Traffic Flow Forecasting [41.87633457352356]
  本稿では,ネットワークのグローバル性と局所性に着目したニューラルネットワークモデルを提案する。 2つの実世界のデータセットの実験により、このモデルが交通データの空間的時間的相関を精査できることが示されている。
  論文  参考訳（メタデータ） (2020-11-30T09:21:43Z)
• Integrated Traffic Simulation-Prediction System using Neural Networks with Application to the Los Angeles International Airport Road Network [39.975268616636]
  提案システムは,最適化に基づくOD行列生成手法と,トラフィックフローのパターンを介してOD行列を予測するニューラルネットワーク(NN)モデルと,微視的トラフィックシミュレータを含む。 ロサンゼルス国際空港(LAX)中央ターミナルエリア(CTA)の道路ネットワーク上で提案システムをテストする。
  論文  参考訳（メタデータ） (2020-08-05T01:41:10Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Traffic Modelling and Prediction via Symbolic Regression on Road Sensor Data [0.8602553195689513]
  本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。 提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
  論文  参考訳（メタデータ） (2020-02-14T16:03:04Z)

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。