論文の概要: Learning long term climate-resilient transport adaptation pathways under direct and indirect flood impacts using reinforcement learning

• arxiv url: http://arxiv.org/abs/2601.18586v1
• Date: Mon, 26 Jan 2026 15:32:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.900257
• Title: Learning long term climate-resilient transport adaptation pathways under direct and indirect flood impacts using reinforcement learning
• Title（参考訳）: 直接的および間接的な洪水影響下での長期耐気候性輸送適応経路の強化学習による学習
• Authors: Miguel Costa, Arthur Vandervoort, Carolin Schmidt, Morten W. Petersen, Martin Drews, Karyn Morrissey, Francisco C. Pereira,
• Abstract要約: 本研究では,不確実性の下で適応型多層投資経路を学習するための総合的な意思決定支援フレームワークを提案する。 このフレームワークは、長期の気候予測と、予測された極寒のドライバーを危険リスクにマッピングするモデルを組み合わせる。 避けられた影響に対して投資と維持費をトレードオフする適応的な気候適応政策を学ぶ。
• 参考スコア（独自算出の注目度）: 2.52487898284169
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Climate change is expected to intensify rainfall and other hazards, increasing disruptions in urban transportation systems. Designing effective adaptation strategies is challenging due to the long-term, sequential nature of infrastructure investments, deep uncertainty, and complex cross-sector interactions. We propose a generic decision-support framework that couples an integrated assessment model (IAM) with reinforcement learning (RL) to learn adaptive, multi-decade investment pathways under uncertainty. The framework combines long-term climate projections (e.g., IPCC scenario pathways) with models that map projected extreme-weather drivers (e.g. rain) into hazard likelihoods (e.g. flooding), propagate hazards into urban infrastructure impacts (e.g. transport disruption), and value direct and indirect consequences for service performance and societal costs. Embedded in a reinforcement-learning loop, it learns adaptive climate adaptation policies that trade off investment and maintenance expenditures against avoided impacts. In collaboration with Copenhagen Municipality, we demonstrate the approach on pluvial flooding in the inner city for the horizon of 2024 to 2100. The learned strategies yield coordinated spatial-temporal pathways and improved robustness relative to conventional optimization baselines, namely inaction and random action, illustrating the framework's transferability to other hazards and cities.
• Abstract（参考訳）: 気候変動は降雨やその他の危険を増し、都市交通システムの混乱を増大させると予想されている。 インフラ投資の長期的かつ逐次的な性質、深い不確実性、複雑なクロスセクタ相互作用のために、効果的な適応戦略を設計することは困難である。 本稿では、統合評価モデル(IAM)と強化学習(RL)を結合した総合的な意思決定支援フレームワークを提案する。 このフレームワークは、長期の気候予測(例えばIPCCシナリオパス)と、予測された極寒運転者(例えば雨)を(例えば洪水)危険リスクにマッピングするモデルを組み合わせることで、都市インフラへの影響(例えば輸送障害)にハザードを伝播させ、サービスパフォーマンスと社会的コストに対して直接的および間接的な結果をもたらす価値を提供する。 強化学習ループに埋め込まれ、避けられた影響に対して投資と保守費をトレードオフする適応型気候適応政策を学ぶ。 コペンハーゲン市と共同で、2024年から2100年の地平線をめざして、市内の急激な洪水を実演する。 学習した戦略は、協調した時空間経路を導き、従来の最適化ベースライン、すなわち不作用とランダムな行動に対して堅牢性を改善し、フレームワークの他の危険や都市への移動可能性を示す。

関連論文リスト

• Climate Adaptation with Reinforcement Learning: Economic vs. Quality of Life Adaptation Pathways [2.1499528348377535]
  強化学習は、不確実な条件下で適応経路を特定するのに有用なツールである。 我々は,統合的アセスメントモデル (IAM) を用いて, 降水モデルと洪水モデルを結合し, 生活の質(QoL) , 交通, インフラの被害などの観点から, 洪水の影響を計算する。 以上の結果から,QoLが経済的影響よりも優先されるモデルでは,適応支出が増加し,研究領域にまたがる支出の分布がさらに大きくなることが示唆された。
  論文  参考訳（メタデータ） (2025-11-05T07:09:39Z)
• Incorporating Quality of Life in Climate Adaptation Planning via Reinforcement Learning [2.1499528348377535]
  強化学習(Reinforcement Learning, RL)は、複雑で動的で不確実な問題に対処する上で、大きな可能性を秘めている。 我々はRLを用いて、長期にわたってどの気候適応経路が生活の質を高めるかを特定する。 予備的な結果は,本手法が最適適応の学習に有効であることが示唆され,他の現実的かつ現実的な計画戦略よりも優れていた。
  論文  参考訳（メタデータ） (2025-11-05T07:00:55Z)
• Safe and Economical UAV Trajectory Planning in Low-Altitude Airspace: A Hybrid DRL-LLM Approach with Compliance Awareness [42.280913394678656]
  本稿では, 深層強化学習(DRL)と大言語モデル(LLM)の推論を組み合わせた新しいUAV軌道計画フレームワークを提案し, 安全性, 適合性, 経済的に実現可能な経路計画を実現する。 実験の結果,本手法は,データ収集率,衝突回避率,着陸成功率,規制遵守度,エネルギー効率など,複数の指標において,既存のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-06-10T07:51:29Z)
• Depth-Constrained ASV Navigation with Deep RL and Limited Sensing [43.785833390490446]
  本研究では,深度制約下でのASVナビゲーションのための強化学習フレームワークを提案する。 環境意識を高めるため,GPレグレッションをRLフレームワークに統合する。 我々は,実世界の水環境に対して,訓練された政策が適切に一般化されることを保証する効果的なシミュレート・トゥ・リアル・トランスファーを実証する。
  論文  参考訳（メタデータ） (2025-04-25T10:56:56Z)
• Using Reinforcement Learning to Integrate Subjective Wellbeing into Climate Adaptation Decision Making [3.3024854970378317]
  我々はコペンハーゲンにおける気候適応のための意思決定支援ツールとして強化学習を利用する多モジュールフレームワークを提案する。 本フレームワークは,長期降雨予測,洪水モデリング,交通アクセシビリティ,健全なモデリングの4つの相互接続コンポーネントを統合している。
  論文  参考訳（メタデータ） (2025-04-14T09:34:12Z)
• Climate Adaptation with Reinforcement Learning: Experiments with Flooding and Transportation in Copenhagen [3.4447242282168777]
  洪水は交通インフラを損傷させ、モビリティを阻害し、都市がリスクの増大に適応する必要性を浮き彫りにする。 本研究では,Reinforcement Learning(RL)を用いて,最も効果的なタイミングと実施場所を特定する。 当社の枠組みは,将来の降雨や洪水の気候変動予測を統合し,都市全体の自動車化旅行をモデル化し,インフラと移動性に対する直接的および間接的な影響を定量化する。
  論文  参考訳（メタデータ） (2024-09-27T09:18:57Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• A Bibliometric Analysis and Review on Reinforcement Learning for Transportation Applications [43.356096302298056]
  交通は経済と都市の発展のバックボーンである。 自律的な意思決定者が複雑な環境と対話できるようにする強化学習(RL)。 本稿では, 交通用RL法の開発状況を明らかにするために, 文献分析を行った。
  論文  参考訳（メタデータ） (2022-10-26T07:34:51Z)
• Cautious Adaptation For Reinforcement Learning in Safety-Critical Settings [129.80279257258098]
  都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。 非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。 多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
  論文  参考訳（メタデータ） (2020-08-15T01:40:59Z)

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。