Fugu-MT 論文翻訳(概要): Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

論文の概要: Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

arxiv url: http://arxiv.org/abs/2608.14491v1
Date: Fri, 14 Aug 2026 17:07:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-17 20:14:29.44887
Title: Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows
Title（参考訳）: 交通流への影響を考慮した道路保守作業の最適スケジューリング
Abstract要約: 本稿では,データ駆動型サロゲートモデルについて検討する。ニュージャージー州ニューアーク地域の交通データに基づく実世界のケーススタディでは,提案手法の有効性が示されている。
参考スコア（独自算出の注目度）: 2.3373659183189486
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Network-level maintenance planning requires repeated evaluations of equilibrium traffic flows under road capacity reductions. While equilibrium traffic assignment models are well established, their repeated solution quickly becomes computationally prohibitive and challenging to embed within maintenance scheduling problems. This paper investigates data-driven surrogate models that approximate equilibrium arc flows directly from origin-destination demand, using optimization-based equilibrium solutions as ground truth. A real-world case study based on traffic data from the Newark, New Jersey area demonstrates the effectiveness of the proposed approach as a scalable building block for future maintenance scheduling frameworks.
Abstract（参考訳）: ネットワークレベルのメンテナンス計画では,道路容量削減下での平衡流の評価を繰り返し行う必要がある。平衡トラフィック割当モデルが十分に確立されている一方で、その繰り返し解はすぐに計算的に禁止され、メンテナンススケジューリング問題に埋め込まれることが困難になる。本稿では、最適化に基づく平衡解を基礎的真理として、原位置需要から直接平衡アークを近似するデータ駆動サロゲートモデルについて検討する。ニュージャージー州ニューアーク地域の交通データに基づく実世界のケーススタディでは、将来のメンテナンススケジューリングフレームワークのためのスケーラブルなビルディングブロックとして提案されたアプローチの有効性が示されている。

関連論文リスト

Efficient Prompt Learning for Traffic Forecasting [78.86991846411793]
我々は、SimpleSTという、訓練済みの時間GNNに適応するための軽量でモデルに依存しないプロンプトチューニングフレームワークを導入する。適応のオーバーヘッドと複雑さを減らし、事前学習されたモデルのアウト・ディストリビューション・一般化を効率的に利用できるようにする。
論文参考訳（メタデータ） (2026-05-08T03:45:51Z)
SOPE: Stabilizing Off-Policy Evaluation for Online RL with Prior Data [49.370849653460716]
本稿では,アクタに整列したオフポリシー評価信号を用いたSOPEを,自動早期停止機構として提案する。 Minariベンチマークスイートから25の継続的制御タスクを評価した。 SOPEはベースライン性能を最大45.6%改善し、必要なTFLOPを最大22倍改善した。
論文参考訳（メタデータ） (2026-05-07T08:32:09Z)
Learning Minimally-Congested Drive Times from Sparse Open Networks: A Lightweight RF-Based Estimator for Urban Roadway Operations [0.0]
本稿では,最小渋滞車走行時間に対する軽量な推定器を開発した。オープンなロードネットワークデータ、速度制約、スパース制御/ターン機能をランダムなフォレストフレームワークに統合する。大都市圏でのポイント・ツー・ポイントの忠実さを保ち、資源の要求を減らし、防御可能な性能推定を供給している。
論文参考訳（メタデータ） (2026-01-04T09:54:44Z)
Machine Learning Predictions for Traffic Equilibria in Road Renovation Scheduling [1.124958340749622]
本稿では,道路改修に伴うネットワーク全体の混雑を予測するために,機械学習に基づく代理モデルを用いて検討する。 XGBoostは、さまざまな指標においてオルタナティブを著しく上回り、最も顕著なのは平均絶対パーセンテージエラー(MAPE)である。このモデリング手法は、保守計画における大規模交通割当問題の計算負担を軽減する可能性がある。
論文参考訳（メタデータ） (2025-06-06T09:59:05Z)
Learning traffic flows: Graph Neural Networks for Metamodelling Traffic Assignment [1.078439500019266]
トラヒックアサインメント問題(Traffic Assignment Problem)は、特に大規模ネットワークにおいて、交通モデリングにおける基本的な作業である。従来の手法では、反復的なシミュレーションを平衡に到達させ、リアルタイムまたは大規模シナリオ分析を困難にしている。本稿では,ユーザ平衡割当の平衡フローを近似するメタモデルとして,メッセージパッシングニューラルネットワークを用いた学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2025-05-16T13:25:22Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
OTClean: Data Cleaning for Conditional Independence Violations using Optimal Transport [51.6416022358349]
sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
論文参考訳（メタデータ） (2024-03-04T18:23:55Z)
MOTO: Offline Pre-training to Online Fine-tuning for Model-based Robot Learning [52.101643259906915]
本研究では,高次元観測による強化学習におけるオフライン事前学習とオンラインファインチューニングの問題について検討する。既存のモデルベースオフラインRL法は高次元領域におけるオフラインからオンラインへの微調整には適していない。本稿では,事前データをモデルベース値拡張とポリシー正則化によって効率的に再利用できるオンラインモデルベース手法を提案する。
論文参考訳（メタデータ） (2024-01-06T21:04:31Z)
An Application of Vector Autoregressive Model for Analyzing the Impact of Weather And Nearby Traffic Flow On The Traffic Volume [0.0]
本稿では,付近の交通量と気象条件に基づいて,ある道路区間における交通流を予測することを目的とする。また,気象条件や付近の交通量が目標地点の交通量に与える影響も確認した。
論文参考訳（メタデータ） (2023-11-12T16:45:29Z)
Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文参考訳（メタデータ） (2023-03-10T02:22:33Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
建設工事の影響下での交通速度予測モデルを提案する。このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
論文参考訳（メタデータ） (2021-10-04T16:07:37Z)

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。