論文の概要: Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City
- arxiv url: http://arxiv.org/abs/2608.22555v1
- Date: Sun, 23 Aug 2026 18:58:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.790461
- Title: Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City
- Title（参考訳）: 周辺型グラフニューラルネットワークを用いたスマートシティにおける人口輸送交通管理
- Abstract要約: この研究は、新しいtextitNeighbor-Embeded Graph Neural Networkベースのクラウドデリバリトラフィック管理(NeCDM)モデルを導入している。
提案モデルでは,L1損失の最大4.03%の削減を含む,計算効率の顕著な向上を実現している。
- 参考スコア（独自算出の注目度）: 5.687232573267495
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The significant upsurge in vehicle traffic presents a considerable challenge in the pursuit of smart mobilization and transportation (SMT) worldwide. Current approaches primarily focus on vehicular traffic management through congestion prediction but fall short in addressing essential objectives such as traffic reduction and appropriate vehicle selection to alleviate congestion in smart cities ($SmCt$). To address these concerns, this work introduces a novel \textit{Neighbor-Embedded Graph Neural Network-based Crowd Delivery Traffic Management} (NeCDM) Model, comprising two key components: the Traffic Congestion Prediction Unit (TCPu) and the Traffic Observation and Management Unit (TOMu). The TCPu utilizes Graph Neural Network (GNN) optimization to accurately predict traffic flow levels at various delivery stations within $SmCt$ ecosystems. Additionally, the TOMu facilitates the intelligent selection of the most suitable delivery vehicles for fulfilling crowd delivery requests ($CDR$). This work emphasizes the potential of crowd delivery as a feasible solution for achieving SMT goals while adhering to smart city parameters ($\mathcal{SCP}$s), such as reduced carbon emissions, shorter travel times, and minimized travel distances. The proposed model achieves notable improvements in computational efficiency, including reductions of up to 4.03\% in L1 loss ($£$), 16.66\% in L2 loss ($£_{rmse}$), and 7.64\% in computation time.
- Abstract（参考訳）: 自動車交通の大幅な増加は、世界中のスマート・モービル化・輸送(SMT)を追求する上で大きな課題となっている。
現在のアプローチは、渋滞予測による車両交通管理に重点を置いているが、スマートシティ(SmCt$)における渋滞を軽減するために、交通削減や適切な車両選択といった本質的な目的に対処するには不十分である。
これらの懸念に対処するため、この研究では、トラフィック混雑予測ユニット(TCPu)とトラフィック監視管理ユニット(TOMu)という2つの重要なコンポーネントからなる、新しい‘textit{Neighbor-Embeded Graph Neural Network-based Crowd Delivery Traffic Management} (NeCDM)モデルを紹介した。
TCPuはグラフニューラルネットワーク(GNN)最適化を使用して,SmCt$エコシステム内のさまざまなデリバリステーションでのトラフィックフローレベルを正確に予測する。
さらに、ToMuは、群衆の配達要求を満たすために最も適した配達車両(CDR$)のインテリジェントな選択を容易にする。
この研究は、炭素排出量の削減、旅行時間短縮、旅行距離の最小化など、スマートシティパラメータ(\mathcal{SCP}$s)に固執しつつ、SMT目標を達成するための実現可能なソリューションとして、クラウドデリバリーの可能性を強調する。
提案モデルは,最大4.03\%のL1損失($$),16.66\%のL2損失($$_{rmse}$),7.64\%の計算時間を含む,計算効率の顕著な改善を実現している。
関連論文リスト
- Wireless Traffic Prediction with Large Language Model [54.07581399989292]
TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。
TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。
この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
論文 参考訳（メタデータ） (2025-12-19T04:47:40Z) - Network-Constrained Policy Optimization for Adaptive Multi-agent Vehicle Routing [1.4273866043218153]
我々は、協調型ネットワーク対応フリートナビゲーションのためのマルチエージェント強化学習(MARL)フレームワークを通じて、動的車両ルーティングに対処する。
本稿ではまず、各交差点エージェントがローカルトラフィックと近隣状態に基づいてルーティングガイダンスを提供する分散MARLモデルであるAdaptive Navigation(AN)を提案する。
大規模ネットワークにおけるスケーラビリティ向上のために,エージェントを鍵交点(ハブ)のみに割り当てるANの拡張である階層型ハブベース適応ナビゲーション(HHAN)を提案する。
合成格子と実際の都市マップ(トロント、マンハッタン)の実験では、ANは平均走行時間をSPFと比較し、学習ベースラインを減らし、100%のルーティング成功を維持している。
論文 参考訳（メタデータ） (2025-10-30T02:49:46Z) - Spatio-Temporal Graph Neural Network for Urban Spaces: Interpolating Citywide Traffic Volume [4.188237759092441]
本稿では,新しい都市交通量推定手法であるGNNUI(Graph Neural Network for Urban Interpolation)を紹介する。
GNNUIは、学習のためにマスキングアルゴリズムを採用し、機能的な役割を捉えるためにノード機能を統合する。
このモデルに加えて、異なる交通手段をカバーする2つの新しいオープンスケール都市交通量ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-05-07T13:34:00Z) - AIoT-based smart traffic management system [0.0]
本稿では,交通流の最適化と都市環境の混雑軽減を目的とした,AIベースの新しいスマートトラフィック管理システムを提案する。
既存のCCTVカメラのライブ映像を分析することで、新たなハードウェアの必要性を排除することができる。
AIモデルはライブビデオフィードを処理し、車両を正確にカウントし、交通密度を評価し、適応的な信号制御を可能にする。
論文 参考訳（メタデータ） (2025-02-04T11:38:42Z) - Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - An ASP Framework for Efficient Urban Traffic Optimization [0.0]
本稿では,数百台の車両による大規模道路網における交通流を効率的にシミュレートし,最適化する枠組みを提案する。
このフレームワークは、Answer Set Programming (ASP)エンコーディングを利用して、ネットワーク内の車両の動きを正式に記述する。
これにより、ネットワーク内の車両の経路を最適化し、関連するメトリクスの幅を減らすことができる。
論文 参考訳（メタデータ） (2022-08-05T10:50:38Z) - Feudal Multi-Agent Reinforcement Learning with Adaptive Network
Partition for Traffic Signal Control [44.09601435685123]
マルチエージェント強化学習 (MARL) を応用し, 交通信号制御に大きな可能性を示した。
以前の作業では、トラフィックネットワークを複数のリージョンに分割し、封建的構造におけるエージェントのポリシーを学ぶ。
適応型ネットワーク分割を用いた新しい封建的MARL手法を提案する。
論文 参考訳（メタデータ） (2022-05-27T09:02:10Z) - On the Role of Multi-Objective Optimization to the Transit Network
Design Problem [0.7734726150561088]
この研究は、トランジットネットワーク設計問題(TNDP)により良い回答をするために、単目的と多目的のスタンスを相乗的に組み合わせることができることを示している。
ポルトガルのリスボン市におけるマルチモーダル公共交通ネットワークにおいて,本手法を適用した。
提案されたTNDP最適化は、目標関数を最大28.3%削減することで、結果を改善することを実証した。
論文 参考訳（メタデータ） (2022-01-27T16:22:07Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Integrated Traffic Simulation-Prediction System using Neural Networks
with Application to the Los Angeles International Airport Road Network [39.975268616636]
提案システムは,最適化に基づくOD行列生成手法と,トラフィックフローのパターンを介してOD行列を予測するニューラルネットワーク(NN)モデルと,微視的トラフィックシミュレータを含む。
ロサンゼルス国際空港(LAX)中央ターミナルエリア(CTA)の道路ネットワーク上で提案システムをテストする。
論文 参考訳（メタデータ） (2020-08-05T01:41:10Z)
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。