論文の概要: User-to-Vehicle Interaction in Smart Mobility: The GO-DRiVeS Autonomous Ride-Sharing Application
- arxiv url: http://arxiv.org/abs/2601.12367v1
- Date: Sun, 18 Jan 2026 11:56:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.825851
- Title: User-to-Vehicle Interaction in Smart Mobility: The GO-DRiVeS Autonomous Ride-Sharing Application
- Title（参考訳）: スマートモビリティにおけるユーザ-車間インタラクション:GO-DRiVeS自律ライドシェアリングアプリケーション
- Authors: Hana E. Elmalah, Catherine M. Elias,
- Abstract要約: GO-DRiVeSはオンデマンドのライドシェアリングで、長い歩幅と課題を節約するためのモバイルアプリをリクエストする。
GO-DRiVeSアプリケーションは、柔軟性のためのアジャイル方法論に従って開発された。
- 参考スコア（独自算出の注目度）: 0.9668407688201359
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper introduces the GO-DRiVeS application, an on demand ride sharing and requesting mobile application tailored specifically to save long walks and challenges which are time consuming and tiring especially during hot days or when carrying heavy items, faced by university students and staff. The GO-DRiVeS application was developed following the Agile methodology for its flexibility. In addition to, using the mobile application system architecture and client-server architecture. GO-DRiVeS was implemented using React Native (Expo) for the frontend, Node.js and Express for the backend, and MongoDB as the database; based on a detailed analyses to the existing transportation application, comparing their frameworks and identifying their essential functionalities. GO-DRiVeS supports core features like user registration, ride requesting and real-time tracking.In addition to handling multiple requests at the same time in a first come first serve manner. The application was developed based on these features, and the results were conducted in the form of multiple experiments that demonstrated stable behavior in handling the requests, as presented in the Methodology and Results chapters.
- Abstract（参考訳）: 本稿では、特に暑い日や、大学生やスタッフが直面している重い物を運ぶ際に、長時間の散歩や手間を省くためのオンデマンドライドシェアリングおよびモバイルアプリケーションであるGO-DRiVeSアプリケーションについて紹介する。
GO-DRiVeSアプリケーションは、柔軟性のためのアジャイル方法論に従って開発された。
加えて、モバイルアプリケーションシステムアーキテクチャとクライアントサーバアーキテクチャを使用する。
GO-DRiVeSは、フロントエンドのReact Native(Expo)、バックエンドのNode.jsとExpress、データベースのMongoDBを使用して実装された。既存のトランスポートアプリケーションに対する詳細な分析に基づいて、フレームワークを比較し、それらの重要な機能を特定する。
GO-DRiVeSは、ユーザ登録、ライドリクエスト、リアルタイムトラッキングといった中核的な機能をサポートしており、同時に複数のリクエストを最初のサービスとして扱うことができる。
アプリケーションはこれらの特徴に基づいて開発され,提案した手法と結果の章で示すように,要求処理における安定した動作を示す複数の実験の形式で実施された。
関連論文リスト
- AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。
AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。
LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
論文 参考訳（メタデータ） (2026-03-17T13:22:54Z) - AppSelectBench: Application-Level Tool Selection Benchmark [57.03660843195562]
AppSelectBenchは、エージェント(CUA)におけるアプリケーション選択を評価するためのベンチマークである
AppSelectBenchには,現実的でセマンティックなユーザ意図を大規模に生成する,新たなユーザタスク生成パイプラインが含まれている。
これには10万以上の現実的で多様性があり、セマンティックなユーザータスクが含まれます。
論文 参考訳（メタデータ） (2025-11-25T06:06:17Z) - INTERPOS: Interaction Rhythm Guided Positional Morphing for Mobile App Recommender Systems [11.188405301894013]
自動回帰型モバイルアプリレコメンデータシステムのための対話リズムガイド型位置定位方式であるInterspectPOSを導入する。
InterPOS は NDCG@K と HIT@K のメトリクスで 7 つのモバイルアプリレコメンデーションデータセットを用いて,最先端のモデルより優れていることを示す。
論文 参考訳（メタデータ） (2025-06-14T23:40:49Z) - Improving Front-end Performance through Modular Rendering and Adaptive Hydration (MRAH) in React Applications [0.0]
我々は、ReactとNext.jsアプリケーションのパフォーマンスを最適化するために、モジュールレンダリングパイプラインと適応型ハイドレーション戦略を組み合わせたパターンを提案する。
このアプローチはインターフェイスを独立したモジュールに分割し、独立してレンダリングし、水和することができる。
ページロードで実行されるJavaScriptの量を削減し、インテリジェントに作業をスケジューリングすることで、このアーキテクチャは主要なパフォーマンス指標を改善することを目指している。
論文 参考訳（メタデータ） (2025-04-04T19:11:30Z) - CRUD-Capable Mobile Apps with R and shinyMobile: a Case Study in Rapid Prototyping [0.0]
Hardenは、主にRで開発された生態的モメンタリーアセスメント(EMA)のためのプログレッシブWebアプリケーション(PWA)である。
shinyMobileパッケージを活用して、リアクティブなモバイルユーザインターフェース(UI)を作成する。
本稿では,Harden アプリケーション作成に使用される方法論の概要と,アプリケーション開発における shinyMobile アプローチのメリットと限界について述べる。
論文 参考訳（メタデータ） (2024-09-01T02:27:36Z) - AppAgent v2: Advanced Agent for Flexible Mobile Interactions [57.98933460388985]
本研究は,モバイル機器向けの新しいLLMベースのマルチモーダルエージェントフレームワークを提案する。
我々のエージェントは、様々なアプリケーションにまたがる適応性を高めるフレキシブルなアクション空間を構築する。
本研究は,実世界のシナリオにおいて,フレームワークの優れた性能を実証し,その有効性を確認した。
論文 参考訳（メタデータ） (2024-08-05T06:31:39Z) - GUIOdyssey: A Comprehensive Dataset for Cross-App GUI Navigation on Mobile Devices [47.98821056800437]
クロスプラットフォームなモバイルGUIナビゲーションのためのデータセットであるGUIOdysseyを提示する。
GuiOdysseyは8,334エピソードで構成され、平均15.3ステップで6つのモバイルデバイス、212の異なるアプリ、1,357のアプリの組み合わせをカバーしている。
我々は,履歴リサンプラーモジュールを備えた長期横断ナビゲーションのための探索的マルチモーダルエージェントであるOdysseyAgentを開発した。
論文 参考訳（メタデータ） (2024-06-12T17:44:26Z) - Mobile Sensing for Multipurpose Applications in Transportation [0.0]
国務省は、交通問題をタイムリーに分析・解決するために一貫したデータを集めるのに苦労している。
スマートフォンに内蔵されたセンサーの最近の進歩は、より手頃なデータ収集方法をもたらした。
開発されたアプリは、ミズーリ州コロンビアとミズーリ州カンザスシティを結ぶi70Wハイウェイのデータを収集して評価された。
論文 参考訳（メタデータ） (2021-06-20T17:56:12Z) - Emerging App Issue Identification via Online Joint Sentiment-Topic
Tracing [66.57888248681303]
本稿では,MERITという新しい問題検出手法を提案する。
AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。
Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
論文 参考訳（メタデータ） (2020-08-23T06:34:05Z) - FastReID: A Pytorch Toolbox for General Instance Re-identification [70.10996607445725]
一般的なインスタンスの再識別は、コンピュータビジョンにおいて非常に重要なタスクである。
我々は、JD AI Researchにおいて広く使われているソフトウェアシステムとしてFastReIDを提示する。
我々は、人物のリID、部分的なリID、クロスドメインのリID、車両のリIDなど、最先端のプロジェクトをいくつか実施してきた。
論文 参考訳（メタデータ） (2020-06-04T03:51:43Z)
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。