論文の概要: One Rule to Bring Them All: Investigating Transport Connectivity in Public Transport Route Generation for Equitable Access

• arxiv url: http://arxiv.org/abs/2602.15053v1
• Date: Wed, 11 Feb 2026 15:19:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:17.833825
• Title: One Rule to Bring Them All: Investigating Transport Connectivity in Public Transport Route Generation for Equitable Access
• Title（参考訳）: 公共交通機関における公共交通機関の接続性に関する一考察
• Authors: Aleksandr Morozov, Ruslan Kozliak, Georgii Kontsevik, Sergey Mityagin,
• Abstract要約: 我々は、グラフニューラルネットワークと進化アルゴリズムを組み合わせたAIによるハイブリッド神経進化手法が、トランジットネットワーク設計問題(TNDP)の解をスケールできるかどうかを考察する。 我々の貢献は、旅客と事業者のコストの伝統的なトレードオフよりも、公平なアクセシビリティの原則に基づいた、トランスポート接続対応アクセシビリティ指標の導入である。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing a city-wide public transport network poses a dual challenge: achieving computational efficiency while ensuring spatial equity for different population groups. We investigate whether AI-based optimization hybrid neuroevolutionary methods combining graph neural networks with evolutionary algorithms - can scale Transit Network Design Problem (TNDP) solutions from synthetic tests to real urban networks while preserving social fairness. Our contribution is to introduce a transport connectivity-aware accessibility metric that bases optimization on principles of equitable accessibility rather than traditional trade-offs between passenger and operator costs. The results show a noticeable improvement in network resilience by improving algebraic connectivity on synthetic datasets, and highlight the ambiguity of applying network generation to real data.
• Abstract（参考訳）: 都市全体の公共交通ネットワークを設計することは、計算効率の達成と、異なる人口集団の空間的平等の確保という2つの課題をもたらす。 我々は,グラフニューラルネットワークと進化的アルゴリズムを組み合わせたAIベースのハイブリッド神経進化的手法が,ソーシャルフェアネスを維持しつつ,合成テストから実際の都市ネットワークへのトランジットネットワーク設計問題(TNDP)ソリューションを拡張できるかどうかを考察する。 我々の貢献は、旅客と事業者のコストの伝統的なトレードオフよりも、公平なアクセシビリティの原則に基づいた、トランスポート接続対応アクセシビリティ指標の導入である。 その結果、合成データセットの代数的接続性を向上させることにより、ネットワークのレジリエンスが顕著に向上し、実データにネットワーク生成を適用することの曖昧さを強調した。

関連論文リスト

• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• TrafficKAN-GCN: Graph Convolutional-based Kolmogorov-Arnold Network for Traffic Flow Optimization [21.65543843942033]
  TrafficKAN-GCNは、Kolmogorov-Arnold Networks (KAN)とGraph Convolutional Networks (GCN)を組み合わせたハイブリッドディープラーニングフレームワークである。 提案手法をボルチモア都市圏の実際の交通データを用いて評価する。 我々の実験は、交通の流れを再分配し、渋滞を緩和し、フランシス・スコット・キーブリッジ崩壊のような破壊的な出来事に適応するフレームワークの能力を強調した。
  論文  参考訳（メタデータ） (2025-03-05T08:59:06Z)
• Applications of deep reinforcement learning to urban transit network design [0.0]
  この論文は、ニューラルネットワークをトレーニングして公共交通ネットワークの設計を支援するための強化学習の使用に関するものである。 トランジットネットワーク設計問題(TNDP)は,実用上重要な最適化問題である。
  論文  参考訳（メタデータ） (2025-02-25T01:24:20Z)
• A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
  衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。 本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T06:57:45Z)
• Towards Secure and Efficient Data Scheduling for Vehicular Social Networks [6.52925077242833]
  本稿では,車載ソーシャルネットワーク内でのデータ伝送をスケジューリングする革新的な学習アルゴリズムを提案する。 このアルゴリズムはまず、特別に構築されたニューラルネットワークを使用して、データ処理能力を向上する。 データ転送フェーズ中にQラーニングパラダイムを組み込んで情報交換を最適化する。
  論文  参考訳（メタデータ） (2024-06-28T15:20:50Z)
• Building Transportation Foundation Model via Generative Graph Transformer [12.660129805049664]
  本稿では,交通シミュレーションの原理を交通予測に統合した交通基盤モデル(TFM)を提案する。 TFMは、移動系アクターの参加行動と相互作用を捉えるために、グラフ構造と動的グラフ生成アルゴリズムを使用する。 このデータ駆動・モデルフリーシミュレーション手法は、構造的複雑性とモデル精度の観点から、従来のシステムで直面する課題に対処する。
  論文  参考訳（メタデータ） (2023-05-24T07:34:15Z)
• Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
  トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。 我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:32:29Z)
• Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
  本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。 私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
  論文  参考訳（メタデータ） (2021-11-11T11:31:20Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Graph Neural Network Reinforcement Learning for Autonomous Mobility-on-Demand Systems [42.08603087208381]
  我々は、AMoD制御問題は自然にノードワイドな意思決定問題として位置づけられていると論じる。 グラフニューラルネットワークによるAMoDシステムの再バランスを制御するための深層強化学習フレームワークを提案する。 重要可搬性タスクに直面した場合、学習したポリシーがゼロショット転送能力を有望に示す方法を示す。
  論文  参考訳（メタデータ） (2021-04-23T06:42:38Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)

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。