論文の概要: A Multi-Modal AI Framework for Real-Time Queue Prediction, Management and Optimisation in Intelligent Border Control Systems
- arxiv url: http://arxiv.org/abs/2608.27010v2
- Date: Mon, 31 Aug 2026 11:18:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 15:47:04.29015
- Title: A Multi-Modal AI Framework for Real-Time Queue Prediction, Management and Optimisation in Intelligent Border Control Systems
- Title（参考訳）: インテリジェント境界制御システムにおけるリアルタイムキュー予測・管理・最適化のためのマルチモーダルAIフレームワーク
- Abstract要約: 我々は、国境管理システムのニーズに合わせて、マルチモーダルな人工知能フレームワークを提案しています。
提案手法は異種データソースを統合し,それらを統一表現により提示する。
評価の結果,提案手法は待ち行列予測誤差を最大35%減らし,待ち時間の平均30%減らした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the present work an efficient border control management procedure is proposed. Compared to operational queue management systems, whose operations are based on mostly static data, the proposed work takes into account dynamic traffic conditions, thus enabling optimal performance, even in cases of uncertainty. To this end, we are proposing a multi-modal Artificial Intelligence (AI) framework, tailored to th needs of border control systems, which enables real-time queue prediction, management, and resource optimization. The novel proposed approach integrates heterogeneous data sources and presents them through a unified representation by employing Long Short-Term Memory (LSTM) networks for queue forecasting. Furthermore, it leverages Model Predictive Control (MPC) and scheduling optimization to derive actionable control policies, which in turn can be presented to border control officers. The proposed work has been evaluated using synthetic data simulating realistic traffic. The evaluation results demonstrate that the proposed method reduces queue prediction error by up to 35% and average waiting time by 30%. Accordingly, the average throughput increases by nearly 20%, compared to ARIMA and rule-based methods. The abovementioned results show the effectiveness and efficiency of combining AI architectures with optimization techniques for proactive and adaptive border traffic management.
- Abstract（参考訳）: 本研究では,効率的な境界管理手法を提案する。
主に静的なデータに基づく運用キュー管理システムと比較して,提案手法は動的トラフィック条件を考慮しており,不確実性があっても最適な性能を実現している。
この目的のために、我々は、リアルタイムキュー予測、管理、リソース最適化を可能にする境界制御システムのニーズに合わせて、マルチモーダル人工知能(AI)フレームワークを提案している。
提案手法は,待ち行列予測にLong Short-Term Memory(LSTM)ネットワークを用いることで,異種データソースを統合し,統一表現を通じて提示する。
さらに、モデル予測制御(MPC)とスケジューリング最適化を活用して、行動可能な制御ポリシーを導出する。
提案手法は,現実的なトラフィックをシミュレートした合成データを用いて評価されている。
評価の結果,提案手法は待ち行列予測誤差を最大35%減らし,待ち時間の平均30%減らした。
したがって、平均スループットはARIMAやルールベースの手法と比較して20%近く向上する。
以上の結果は,AIアーキテクチャと積極的かつ適応的な境界トラヒック管理のための最適化手法を組み合わせることの有効性と効率性を示している。
関連論文リスト
- MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks [71.01350912967922]
事故後のシナリオでは、無人航空機(UAV)が緊急通信ネットワークを確立する上で重要である。
本稿では,UAV支援緊急通信における情報量(AoI)の最小化について検討する。
適応型ルール誘導多エージェント深層強化学習フレームワークMA-HEAD-Netを開発した。
論文 参考訳（メタデータ） (2026-08-02T10:05:50Z) - Learning-enabled Acceleration of Scenario-based Model Predictive Control [1.838884769821944]
本稿では,シナリオベースモデル予測制御(SBMPC)問題を効率的に解くための,学習促進型マルチプライヤ代替指向法(ADMM)アルゴリズムを提案する。
我々は,SBMPC問題をADMMを介して分解可能なコンセンサス形式に再構成し,シナリオ依存のダイナミクスを非予測的制約から分離する。
この分解に基づいて, コスト関数のモローエンベロープ学習を利用してADMMの一次更新を高速化する, 既存の学習最適化スキームを利用する。
論文 参考訳（メタデータ） (2026-07-14T13:48:48Z) - Joint Optimization of Trajectory Control, Resource Allocation, and Task Offloading for Multi-UAV-Assisted IoV [42.14161392443562]
本稿では,多目的航空車両(UAV)共同基地局支援インターネット・オブ・ビークルズ(IoV)タスクオフロードシステムについて検討する。
システム遅延を最小限に抑えるために,新しいマルチエージェント強化学習パラダイムを提案する。
論文 参考訳（メタデータ） (2026-05-06T02:59:18Z) - dTRPO: Trajectory Reduction in Policy Optimization of Diffusion Large Language Models [71.26391195427878]
拡散大言語モデル(dLLM)は、言語生成の新しいパラダイムを導入する。
本研究は,軌道確率計算のコストを削減し,dLLMのポリシー最適化を改善することを目的とする。
我々は、7B dLLMのdTRPOを命令追従と推論のベンチマークで評価した。
論文 参考訳（メタデータ） (2026-03-19T11:55:52Z) - AceGRPO: Adaptive Curriculum Enhanced Group Relative Policy Optimization for Autonomous Machine Learning Engineering [52.67783579040657]
AceGRPOは、エージェントの学習フロンティアにおけるタスクを優先順位付けして学習効率を最大化する機械学習システムである。
我々のトレーニングされたAce-30Bモデルは、MLE-Bench-Lite上で100%有効な応募率を実現し、プロプライエタリなフロンティアモデルの性能にアプローチし、より大きなオープンソースベースラインを上回ります。
論文 参考訳（メタデータ） (2026-02-08T10:55:03Z) - Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。
オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。
動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
論文 参考訳（メタデータ） (2025-10-11T05:11:21Z) - LLM-guided Chemical Process Optimization with a Multi-Agent Approach [8.714038047141202]
本稿では,最小限のプロセス記述から動作制約を自律的に推論するマルチエージェントLLMフレームワークを提案する。
当社のAutoGenベースのフレームワークは、制約生成、パラメータ検証、シミュレーション、最適化ガイダンスのための特別なエージェントを備えたOpenAIのo3モデルを採用しています。
論文 参考訳（メタデータ） (2025-06-26T01:03:44Z) - Demonstration of effective UCB-based routing in skill-based queues on real-world data [0.4077787659104315]
本稿では,データセンタやクラウドコンピューティングネットワーク,サービスシステムといった,スキルベースのキューシステムを最適に制御することを目的とする。
実世界のデータセットを用いたケーススタディにより,最近開発された最適顧客ルーティングのための強化学習の実践的実装について検討する。
論文 参考訳（メタデータ） (2025-06-25T15:36:43Z) - Decision Flow Policy Optimization [53.825268058199825]
生成モデルは、複雑なマルチモーダルな動作分布を効果的にモデル化し、連続的な動作空間において優れたロボット制御を実現することができることを示す。
従来の手法は通常、データセットからの状態条件付きアクション分布に適合する振る舞いモデルとして生成モデルを採用する。
マルチモーダルな行動分布モデリングとポリシー最適化を統合した統合フレームワークDecision Flowを提案する。
論文 参考訳（メタデータ） (2025-05-26T03:42:20Z) - Reinforcement Learning with Model Predictive Control for Highway Ramp Metering [14.389086937116582]
この研究は、交通フロー管理を強化するためのモデルベースと学習ベースの戦略の相乗効果について考察する。
制御問題は、適切なステージコスト関数を作成することにより、RLタスクとして定式化される。
RLアルゴリズムの関数近似として MPC 最適問題を利用する MPC ベースの RL アプローチを提案し,オンランプの効率的な制御について検討した。
論文 参考訳（メタデータ） (2023-11-15T09:50:54Z) - Fully Decentralized Model-based Policy Optimization for Networked
Systems [23.46407780093797]
本研究の目的は,モデルベース学習によるマルチエージェント制御のデータ効率の向上である。
エージェントが協力的であり、隣人とのみローカルに通信するネットワークシステムについて検討する。
提案手法では,各エージェントが将来の状態を予測し,通信によって予測をブロードキャストする動的モデルを学習し,その後,モデルロールアウトに基づいてポリシーをトレーニングする。
論文 参考訳（メタデータ） (2022-07-13T23:52:14Z) - Iterative Amortized Policy Optimization [147.63129234446197]
政策ネットワークは、継続的制御のための深層強化学習(RL)アルゴリズムの中心的な特徴である。
変分推論の観点からは、ポリシーネットワークは、ポリシー分布を直接ではなく、ネットワークパラメータを最適化する、テキスト化最適化の一形態である。
我々は,反復的アモート化ポリシ最適化により,ベンチマーク連続制御タスクの直接アモート化よりも性能が向上することが実証された。
論文 参考訳（メタデータ） (2020-10-20T23:25:42Z)
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。