Fugu-MT 論文翻訳(概要): PedNStream: Scalable Network Flow Simulation for Pedestrian Traffic Management

論文の概要: PedNStream: Scalable Network Flow Simulation for Pedestrian Traffic Management

arxiv url: http://arxiv.org/abs/2607.01021v1
Date: Wed, 01 Jul 2026 14:54:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-02 19:56:07.944565
Title: PedNStream: Scalable Network Flow Simulation for Pedestrian Traffic Management
Title（参考訳）: PedNStream: 歩行者交通管理のためのスケーラブルなネットワークフローシミュレーション
Abstract要約: PedNStreamは、Link Transmission Model (LTM)に基づくマクロな歩行者ネットワークロードのためのオープンソースのシミュレータである。これは、ゲーティング、フロー分離、ルートガイダンスなどの介入のためのビルトインのコントローラインターフェースを備えたモジュラーフレームワークとして実装されている。実ネットワーク実験は、観測された歩行者数と大規模行動と整合性を評価する。
参考スコア（独自算出の注目度）: 1.7205106391379026
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Large-scale crowd management requires pedestrian simulations that are both computationally efficient and compatible with feedback-based control. However, most open-source tools are either microscopic or not designed for network-scale closed-loop evaluation. This paper presents PedNStream (Pedestrian Network Flow Simulation), an open-source, Python-native simulator for macroscopic pedestrian network loading based on the Link Transmission Model (LTM). The framework extends LTM-based pedestrian models by incorporating stochastic link dynamics that capture diffusion and activity-induced variability, and replaces dynamic user equilibrium route choice with a utility-based formulation suited to uncertain, intervention-driven settings. PedNStream is implemented as a modular framework with built-in controller interfaces for interventions such as gating, flow separation, and route guidance. We evaluate the framework in a staged manner. Synthetic scenarios verify key mechanisms, including queue formation, spillback, congestion dissipation, and adaptive rerouting. Real-network experiments assess large-scale behavior and consistency with observed pedestrian counts. A closed-loop case study demonstrates controller integration, and a runtime analysis quantifies scalability. These results establish PedNStream as an efficient and practical testbed for large-scale pedestrian network simulation and control.
Abstract（参考訳）: 大規模な群集管理には、計算効率が高く、フィードバックベースの制御と互換性のある歩行者シミュレーションが必要である。しかし、ほとんどのオープンソースツールは、顕微鏡的もしくはネットワークスケールのクローズドループ評価のために設計されていない。本稿では,PedNStream (Pedestrian Network Flow Simulation) について述べる。PedNStream (Pedestrian Network Flow Simulation, Pedestrian Network Flow Simulation) は,LTM (Link Transmission Model) に基づくマクロな歩行者ネットワークロードのためのPythonネイティブシミュレータである。このフレームワークは、拡散とアクティビティによる変動を捉える確率的リンクダイナミクスを導入し、動的ユーザ均衡経路の選択を、不確実で介入駆動的な設定に適したユーティリティベースの定式化に置き換えることで、LTMベースの歩行者モデルを拡張する。 PedNStreamは、ゲーティング、フロー分離、ルートガイダンスなどの介入のためのビルトインコントローラインターフェースを備えたモジュラーフレームワークとして実装されている。我々はその枠組みを段階的に評価する。合成シナリオは、キューの生成、引きこぼし、混雑解消、適応的なリルーチンなど、重要なメカニズムを検証する。実ネットワーク実験は、観測された歩行者数と大規模行動と整合性を評価する。クローズドループケーススタディは、コントローラの統合を示し、ランタイム分析はスケーラビリティを定量化する。これらの結果はPedNStreamを大規模歩行者ネットワークシミュレーションと制御のための効率的で実用的なテストベッドとして確立している。

関連論文リスト

ASPaeroFlow: Decomposition Heuristics for Joint Air Traffic Flow & Capacity Management [60.85136195443409]
エアトラヒックフロー・キャパシティマネジメント(ATFCM)のためのASPaeroFlowを提案する。インスタンス空間の分解と、Answer Set Programmingを使った局所的な正確なアプローチを組み合わせる。私たちはASPaeroFlowを小さなインスタンスから業界規模のインスタンスにベンチマークし、それを正確で代替的なアプローチと比較します。
論文参考訳（メタデータ） (2026-08-10T08:57:18Z)
Heuristic Learning for Active Flow Control Using Coding Agents [2.867517731896504]
我々は、現代の符号化エージェントを使用して、明示的な実行可能なフィードバック法を直接検索する。本稿では,エージェントが公開ベンチマークインタフェースを通じてのみ対話しながら,コントローラの実装を反復的に提案し,評価し,修正する制約付き学習プロトコルを提案する。検出されたコントローラは、コンパクトで解釈可能で直接検査可能なまま、13の環境のうち10の最高のDRLポリシーに適合または優れる。
論文参考訳（メタデータ） (2026-07-13T13:47:17Z)
ECoSim: Data Efficient Fine-Tuning for Controllable Traffic Simulation [48.30643653308979]
制御可能な交通シミュレーションは自律走行システムのテストに不可欠である。既存のアプローチでは、広範囲な注釈付きデータで大きな生成モデルを再訓練する必要があることが多い。マルチモーダル制御を可能にする軽量な制御適応フレームワークを提案する。
論文参考訳（メタデータ） (2026-07-01T07:35:29Z)
Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。 AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
論文参考訳（メタデータ） (2026-01-21T14:13:44Z)
SMART: A Surrogate Model for Predicting Application Runtime in Dragonfly Systems [13.688119091055244]
本稿では,グラフニューラルネットワーク(GNN)と大規模言語モデル(LLM)を組み合わせて,ポートレベルのルータデータから空間的および時間的パターンを抽出する代理モデルを提案する。我々のモデルは、既存の統計と機械学習のベースラインを上回り、正確なランタイム予測を可能にし、Dragonflyネットワークの効率的なハイブリッドシミュレーションをサポートする。
論文参考訳（メタデータ） (2025-11-14T09:39:43Z)
Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文参考訳（メタデータ） (2025-10-09T04:48:49Z)
m4: A Learned Flow-level Network Simulator [14.802940782072122]
フローレベルのシミュレータは、動的に割り当てられた送信速度を持つ連続フローとしてトラフィックを抽象化する。機械学習を用いて関心のネットワークのダイナミクスを学習する,正確でスケーラブルなフローレベルシミュレータであるm4を提案する。
論文参考訳（メタデータ） (2025-03-03T17:51:08Z)
Model-based deep reinforcement learning for accelerated learning from flow simulations [0.0]
フロー制御アプリケーションにおけるモデルベース強化学習の利点を実証する。具体的には, 流れシミュレーションから採取した軌道と, 環境モデルのアンサンブルから採取した軌道とを交互に組み合わせることで, 政策を最適化する。モデルベースの学習は、流動的なピンボールテストケースに対して、トレーニング全体の時間を最大85%削減する。
論文参考訳（メタデータ） (2024-02-26T13:01:45Z)
Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文参考訳（メタデータ） (2023-10-05T21:44:18Z)
Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
論文参考訳（メタデータ） (2023-02-01T14:47:17Z)
Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文参考訳（メタデータ） (2022-06-29T22:19:03Z)

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。