論文の概要: GREAT-EER: Graph Edge Attention Network for Emergency Evacuation Responses

• arxiv url: http://arxiv.org/abs/2602.14676v1
• Date: Mon, 16 Feb 2026 12:04:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.389727
• Title: GREAT-EER: Graph Edge Attention Network for Emergency Evacuation Responses
• Title（参考訳）: GREAT-EER:緊急避難対応のためのグラフエッジ注意ネットワーク
• Authors: Attila Lischka, Balázs Kulcsár,
• Abstract要約: 都市部の避難を必要とする緊急事態は、人為的な原因(テロ攻撃や産業事故など)や自然災害から生じることがある。 本研究では,NP-hard 最適化問題である Bus Evacuation Orienteering Problem (BEOP) を同定し,提案する。 バスによる避難の目的は、純粋に自動車に焦点を当てた避難シナリオで発生する渋滞や障害を減らすことである。
• 参考スコア（独自算出の注目度）: 3.854471865029609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emergency situations that require the evacuation of urban areas can arise from man-made causes (e.g., terrorist attacks or industrial accidents) or natural disasters, the latter becoming more frequent due to climate change. As a result, effective and fast methods to develop evacuation plans are of great importance. In this work, we identify and propose the Bus Evacuation Orienteering Problem (BEOP), an NP-hard combinatorial optimization problem with the goal of evacuating as many people from an affected area by bus in a short, predefined amount of time. The purpose of bus-based evacuation is to reduce congestion and disorder that arises in purely car-focused evacuation scenarios. To solve the BEOP, we propose a deep reinforcement learning-based method utilizing graph learning, which, once trained, achieves fast inference speed and is able to create evacuation routes in fractions of seconds. We can bound the gap of our evacuation plans using an MILP formulation. To validate our method, we create evacuation scenarios for San Francisco using real-world road networks and travel times. We show that we achieve near-optimal solution quality and are further able to investigate how many evacuation vehicles are necessary to achieve certain bus-based evacuation quotas given a predefined evacuation time while keeping run time adequate.
• Abstract（参考訳）: 都市部の避難を必要とする緊急事態は、人為的な原因(テロ攻撃や産業事故など)や自然災害から生じ、後者は気候変動によって頻繁に発生する。 その結果,避難計画策定のための効率的かつ迅速な手法が重要となった。 本研究は,バスによる被災地からの避難を短時間で行うことを目的としたNPハード組合せ最適化問題であるB Bus Evacuation Orienteering Problem (BEOP) を同定し,提案する。 バスによる避難の目的は、純粋に自動車に焦点を当てた避難シナリオで発生する渋滞や障害を減らすことである。 BEOPを解決するために,グラフ学習を利用した深層強化学習手法を提案する。 MILPの定式化により避難計画のギャップを埋めることができる。 提案手法を検証するために,現実の道路ネットワークと旅行時間を用いて,サンフランシスコの避難シナリオを作成する。 また, 走行時間を適切に保ちつつ, 所定避難時間と所定避難時間を確保するために, 避難車両がどれだけ必要か, さらに検討できることが示される。

関連論文リスト

• Strategizing Equitable Transit Evacuations: A Data-Driven Reinforcement Learning Approach [5.962540020947193]
  本稿では,バスによる避難を最適化するデータ駆動型強化学習フレームワークを提案する。 我々は、避難問題を強化学習によって解決されたマルコフ決定過程としてモデル化する。 提案手法は,避難効率とサービス分散の両面で,大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2024-12-08T02:17:38Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN) for Travel Demand Forecasting During Wildfires [5.215306867715247]
  本研究では,山火事避難時の旅行生成をモデル化するための新しい方法論の枠組みを開発し,検証する。 GPSデータから推定される旅行需要に基づいて、我々は新しいディープラーニングモデル、すなわち状況対応マルチグラフ畳み込みリカレントネットワーク(SA-MGCRN)を開発する。 提案手法は, カリフォルニア州ソノマ郡の2019年キンケード火災を事例として, 本研究で検証した。
  論文  参考訳（メタデータ） (2023-04-13T03:04:36Z)
• Simulation-Assisted Optimization for Large-Scale Evacuation Planning with Congestion-Dependent Delays [12.57612445391585]
  MIP-LNSは,数式最適化による探索を利用するスケーラブルな最適化手法である。 また,エージェントベースシミュレーションをMIP-LNSと組み合わせて,混雑に伴う遅延を推定する手法を提案する。 さらに, MIP-LNS-SIMは, MIP-LNSと比較して, 推定避難完了時間の誤差が有意に低い。
  論文  参考訳（メタデータ） (2022-09-04T05:30:51Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• 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)
• Congestion-aware Evacuation Routing using Augmented Reality Devices [96.68280427555808]
  複数の目的地間でリアルタイムに個別の避難経路を生成する屋内避難のための渋滞対応ルーティングソリューションを提案する。 建物内の混雑分布をモデル化するために、ユーザエンド拡張現実(AR)デバイスから避難者の位置を集約して、オンザフライで取得した人口密度マップを用いる。
  論文  参考訳（メタデータ） (2020-04-25T22:54:35Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)
• Simulation Pipeline for Traffic Evacuation in Urban Areas and Emergency Traffic Management Policy Improvements through Case Studies [17.548969917692506]
  交通避難は、ハリケーン、山火事、洪水、地震などの災害で生活を救う上で重要な役割を担っている。 我々は、地図作成、需要発生、車両の挙動、ボトルネック識別、交通管理ポリシーの改善、結果分析など、避難のさまざまな側面を探索する交通シミュレーションパイプラインを構築している。 このパイプラインをカリフォルニアの2つのケーススタディに適用する。
  論文  参考訳（メタデータ） (2020-02-14T03:03:31Z)

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。