論文の概要: Transit Network Design with Two-Level Demand Uncertainties: A Machine Learning and Contextual Stochastic Optimization Framework

• arxiv url: http://arxiv.org/abs/2603.00010v1
• Date: Tue, 27 Jan 2026 01:12:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:07.957327
• Title: Transit Network Design with Two-Level Demand Uncertainties: A Machine Learning and Contextual Stochastic Optimization Framework
• Title（参考訳）: 2レベル需要不確実性を持つトランジットネットワーク設計:機械学習と文脈確率最適化フレームワーク
• Authors: Hongzhao Guan, Beste Basciftci, Pascal Van Hentenryck,
• Abstract要約: 2レベルライダー選択トランジットネットワーク設計では、ネットワーク設計プロセスに2つの需要不確実性層が組み込まれている。 ネットワークを設計するために、2LRC-TNDは、複数の機械学習モデルを使用する2つの旅行モード選択モデルに依存している。 2LRC-TNDはアトランタ大都市圏で6,600以上の旅行弧と38,000以上の旅行を含むケーススタディにより評価された。
• 参考スコア（独自算出の注目度）: 15.322376177693833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transit Network Design is a well-studied problem in the field of transportation, typically addressed by solving optimization models under fixed demand assumptions. Considering the limitations of these assumptions, this paper proposes a new framework, namely the Two-Level Rider Choice Transit Network Design (2LRC-TND), that leverages machine learning and contextual stochastic optimization (CSO) through constraint programming (CP) to incorporate two layers of demand uncertainties into the network design process. The first level identifies travelers who rely on public transit (core demand), while the second level captures the conditional adoption behavior of those who do not (latent demand), based on the availability and quality of transit services. To capture these two types of uncertainties, 2LRC-TND relies on two travel mode choice models, that use multiple machine learning models. To design a network, 2LRC-TND integrates the resulting choice models into a CSO that is solved using a CP-SAT solver. 2LRC-TND is evaluated through a case study involving over 6,600 travel arcs and more than 38,000 trips in the Atlanta metropolitan area. The computational results demonstrate the effectiveness of the 2LRC-TND in designing transit networks that account for demand uncertainties and contextual information, offering a more realistic alternative to fixed-demand models.
• Abstract（参考訳）: トランジット・ネットワーク・デザイン(Transit Network Design)は、交通分野におけるよく研究された問題であり、通常、固定需要仮定の下で最適化モデルを解くことで解決される。 本稿では,制約プログラミング(CP)を通じて機械学習と文脈確率最適化(CSO)を活用し,要求不確実性の2層をネットワーク設計プロセスに組み込む2レベルライダー選択トランジットネットワーク設計(2LRC-TND)を提案する。 第1のレベルは公共交通機関(中核的な需要)に依存している旅行者を特定し、第2のレベルは、公共交通機関の可用性と品質に基づいて、そうでない人の条件付き採用行動を捉えている。 これら2つの不確実性を捉えるために、2LRC-TNDは、複数の機械学習モデルを使用する2つの旅行モード選択モデルに依存している。 ネットワークを設計するために、2LRC-TNDは、CP-SATソルバを用いて解決されたCSOに結果の選択モデルを統合する。 2LRC-TNDはアトランタ大都市圏で6,600以上の旅行弧と38,000以上の旅行を含むケーススタディにより評価された。 計算結果は,需要不確実性や状況情報を考慮した交通ネットワークの設計における2LRC-TNDの有効性を示し,固定需要モデルに対するより現実的な代替手段を提供する。

関連論文リスト

• Learning to Design City-scale Transit Routes [4.0801703556134425]
  連続的なトランジットネットワーク構築のためのグラフアテンションネットワークに基づくエンドツーエンドの強化学習フレームワークを提案する。 我々はインディアナ州ブルーミントンで、地形的に正確な道路網、国勢調査由来の需要、既存の交通経路を持つ新しい実世界のデータセットについて、我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2025-12-21T12:48:53Z)
• QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
  宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。 本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
  論文  参考訳（メタデータ） (2025-12-17T06:22:46Z)
• Towards Intelligent Transportation with Pedestrians and Vehicles In-the-Loop: A Surveillance Video-Assisted Federated Digital Twin Framework [62.47416496137193]
  本稿では,歩行者や車いすによるITSを支援するための監視ビデオ支援型デジタルツイン(SV-FDT)フレームワークを提案する。 i)複数のソースからトラフィック監視ビデオを収集するエンドレイヤ、(ii)セマンティックセグメンテーションに基づく視覚理解、ツインエージェントベースのインタラクションモデリング、およびローカルデジタルツインシステム(LDTS)をローカルで作成するエッジレイヤ、(iii)異なるリージョンにわたるLDTSを統合してグローバルDTモデルをリアルタイムで構築するクラウドレイヤの3層で構成されている。
  論文  参考訳（メタデータ） (2025-03-06T07:36:06Z)
• 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 Coalition Game for On-demand Multi-modal 3D Automated Delivery System [4.378407481656902]
  都市環境におけるラストマイル配送に対処するため、2つのオーバーレイネットワークで運用するUAVとADRの連合ゲームを導入する。 戦略的協調が全体のルーティング効率をいかに向上させるかを把握するためのモード間の協調構造について検討する。 ミシサガ市におけるケーススタディの結果から,ラストマイル配送の応用に関するいくつかの数値実験が実施されている。
  論文  参考訳（メタデータ） (2024-12-23T03:50:29Z)
• Self-Supervised State Space Model for Real-Time Traffic Accident Prediction Using eKAN Networks [18.385759762991896]
  SSL-eKambaは、交通事故予測のための効率的な自己組織化フレームワークである。 一般化を促進するために,交通パターン表現を適応的に改善する2つの自己教師付き補助タスクを設計する。 2つの実世界のデータセットの実験では、SSL-eKambaは最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2024-09-09T14:25:51Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Training Neural Networks from Scratch with Parallel Low-Rank Adapters [46.764982726136054]
  計算ノード間の複数の低ランクヘッドの並列トレーニングを実現するために設計された,新しい双方向最適化アルゴリズムである LoRA-the-Explorer (LTE) を導入する。 我々のアプローチには、様々なビジョンデータセットを用いたビジョントランスフォーマーの広範な実験が含まれており、LTEが標準の事前トレーニングと競合していることが示されている。
  論文  参考訳（メタデータ） (2024-02-26T18:55:13Z)
• A generalized network level disruption strategy selection model for urban public transport systems [16.64085440434604]
  ディスラプションからの迅速な回復は、トランジットシステムの信頼性にとって極めて重要である。 本研究は, 交通破壊対策を包括的かつ階層的に実施する試みである。
  論文  参考訳（メタデータ） (2023-05-07T16:34:25Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2 Benchmark [133.46066694893318]
  最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。 既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
  論文  参考訳（メタデータ） (2021-06-03T15:59:28Z)

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。