論文の概要: Time-Critical Multimodal Medical Transportation: Organs, Patients, and Medical Supplies
- arxiv url: http://arxiv.org/abs/2602.02736v1
- Date: Mon, 02 Feb 2026 19:52:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.050359
- Title: Time-Critical Multimodal Medical Transportation: Organs, Patients, and Medical Supplies
- Title（参考訳）: 時間的マルチモーダル医療交通 : 臓器・患者・医療サプライ
- Authors: Elaheh Sabziyan Varnousfaderani, Syed A. M. Shihab, Mohammad Taghizadeh,
- Abstract要約: 臓器、患者、医療用品のタイムリーな輸送は現代医療にとって重要である。
救急車などの従来の地上車両は、交通渋滞によってしばしば妨げられる。
無人航空機や電動垂直離着陸機といった新興航空機の運用コストは低下するが、射程や気象条件の影響を受けない。
- 参考スコア（独自算出の注目度）: 0.05097809301149341
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Timely transportation of organs, patients, and medical supplies is critical to modern healthcare, particularly in emergencies and transplant scenarios where even short delays can severely impact outcomes. Traditional ground-based vehicles such as ambulances are often hindered by traffic congestion; while air vehicles such as helicopters are faster but costly. Emerging air vehicles -- Unmanned Aerial Vehicles and electric vertical take-off and landing aircraft -- have lower operating costs, but remain limited by range and susceptibility to weather conditions. A multimodal transportation system that integrates both air and ground vehicles can leverage the strengths of each to enhance overall transportation efficiency. This study introduces a constructive greedy heuristic algorithm for multimodal vehicle dispatching for medical transportation. Four different fleet configurations were tested: (i) ambulances only, (ii) ambulances with Unmanned Aerial Vehicles, (iii) ambulances with electric vertical take-off and landing aircraft, and (iv) a fully integrated fleet of ambulances, Unmanned Aerial Vehicles, and electric vertical take-off and landing aircraft. The algorithm incorporates payload consolidation across compatible routes, accounts for traffic congestion in ground operations and weather conditions in aerial operations, while enabling rapid vehicle dispatching compared to computationally intensive optimization models. Using a common set of conditions, we evaluate all four fleet types to identify the most effective configurations for fulfilling medical transportation needs while minimizing operating costs, recharging/fuel costs, and total transportation time.
- Abstract（参考訳）: 臓器、患者、医療用品のタイムリーな輸送は、現代の医療、特に短い遅延が結果に重大な影響を及ぼす緊急や移植のシナリオにおいて重要である。
救急車のような伝統的な地上車両は交通渋滞によってしばしば妨げられるが、ヘリコプターのような航空車両は高速だがコストがかかる。
無人航空機や電動垂直離着陸機といった新興航空機の運用コストは低下するが、射程や気象条件の影響を受けない。
航空機と地上車両を統合したマルチモーダル輸送システムでは、それぞれの強度を活用して全体の輸送効率を向上させることができる。
本研究は,医療輸送用マルチモーダル車両配車のための建設的欲求的ヒューリスティックアルゴリズムを提案する。
4つの異なる艦隊構成が試験された。
(i)救急車のみ
(二)無人航空機の救急車
三 電動垂直離着陸機付き救急車及び
(4)完全統合された救急車、無人航空機、垂直離着陸機。
このアルゴリズムは、互換性のあるルートにまたがってペイロードを集約し、地上での交通渋滞や航空での気象条件を考慮し、計算集約的な最適化モデルよりも高速な車両の配車を可能にする。
共通条件を用いて, 運用コスト, リチャージ・燃料コスト, 総輸送時間を最小限に抑えつつ, 医療輸送ニーズを満たすための最も効果的な構成を特定するために, 全4種類の艦隊タイプを評価した。
関連論文リスト
- Grid-Aware Charging and Operational Optimization for Mixed-Fleet Public Transit [11.618218411493478]
電気とディーゼルの両方からなる混成輸送車両は、重要な運用上の課題である。
本稿では,これらの課題に対処する包括的混合整数線形プログラミング(MILP)モデルを提案する。
提案手法は, 混合輸送船の運用コストを大幅に削減できることを示す。
論文 参考訳（メタデータ） (2026-01-13T17:30:25Z) - Scalable Ride-Sourcing Vehicle Rebalancing with Service Accessibility Guarantee: A Constrained Mean-Field Reinforcement Learning Approach [42.070187224580344]
連続状態平均場制御(MFC)と平均場強化学習(MFRL)モデルを導入する。
MFCとMFRLは、個々の車両ではなく、車両分布との相互作用を通じて各車両の挙動をモデル化することで、スケーラブルなソリューションを提供する。
我々のアプローチは数万台の車両にスケールし、トレーニング時間は1つの線形プログラミングリバランスの決定時間に匹敵する。
論文 参考訳（メタデータ） (2025-03-31T15:00:11Z) - Large Neighborhood Search and Bitmask Dynamic Programming for Wireless Mobile Charging Electric Vehicle Routing Problems in Medical Transportation [5.740535941960799]
ワイヤレス充電電気自動車問題(WMC-EVRP)を提案する。
この問題により、移動充電カート(MCT)を経由した走行中にMTEV(Medidic Transportation Electric Vehicles)を充電することができる。
我々はBit Mask Dynamic Programming (BDP)とLarge Neborhood Search (LNS)を組み合わせた数学的モデルとメタヒューリスティックアルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-03-11T14:11:10Z) - GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - Traffic Smoothing Controllers for Autonomous Vehicles Using Deep
Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。
我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。
その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
論文 参考訳（メタデータ） (2024-01-18T00:50:41Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳（メタデータ） (2023-06-13T05:58:57Z) - Multi-Agent Deep Reinforcement Learning for Efficient Passenger Delivery
in Urban Air Mobility [16.081324675010084]
都市空力(UAM)は将来の輸送において重要な役割を果たす。
本稿では,UAMネットワークにおける信頼性と効率的な乗客輸送のための新しい協調型MADRLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-13T12:30:48Z) - Intelligent Transportation Systems to Mitigate Road Traffic Congestion [0.0]
渋滞を緩和し、緊急車両ができるだけ早く到着できるよう、2つの交通管理モデルが作成されている。
ツールチェーンSUMO-JADEを用いて、トラフィックの相互作用を象徴する顕微鏡シミュレーションを作成する。
シミュレーションモデルでは、平均時間遅延が50%以上減少し、旅行時間全体の実質的な改善が見られた。
論文 参考訳（メタデータ） (2021-06-04T07:51:02Z) - PassGoodPool: Joint Passengers and Goods Fleet Management with
Reinforcement Learning aided Pricing, Matching, and Route Planning [29.73314892749729]
本稿では,商品と旅客輸送を組み合わせた需要対応型艦隊管理フレームワークを提案する。
提案手法は,分散システムの成長に伴う計算コストを最小限に抑えるため,各車両内で独立して展開可能である。
論文 参考訳（メタデータ） (2020-11-17T23:15:03Z) - The Role of the Hercules Autonomous Vehicle During the COVID-19
Pandemic: An Autonomous Logistic Vehicle for Contactless Goods Transportation [44.54786757158331]
新型コロナウイルス感染症(COVID-19)は世界中で急速に拡大している。
日常の生活の中で商品を輸送するといった日常活動には、必然的に対人接触が伴う。
新型コロナウイルス(COVID-19)パンデミックの間、接触のない商品輸送のための自動運転車、Herculesを開発した。
論文 参考訳（メタデータ） (2020-04-16T06:37:06Z)
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。