論文の概要: Learning to Incentivise: Using Reinforcement Learning for Sustainable Urban Mobility
- arxiv url: http://arxiv.org/abs/2610.30469v1
- Date: Wed, 21 Oct 2026 21:40:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.142605
- Title: Learning to Incentivise: Using Reinforcement Learning for Sustainable Urban Mobility
- Title（参考訳）: インセンティブの学習:持続可能な都市モビリティのための強化学習の利用
- Abstract要約: 運転者にインセンティブを動的に割り当てるマルチエージェント強化学習手法を用い,TTTと排ガスの双方を削減する。
我々は、無制限の予算と旅行時間の最小化を目的として、TTTを16%削減するインセンティブ方式を実証した。
排出量の最小化を目標とする場合、9%のCO2排出量削減は無制限の予算で観測される。
- 参考スコア（独自算出の注目度）: 4.259842250305235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic management has traditionally focused on toll-based and road pricing solutions. However, road pricing often raises concerns about accessibility and public dissatisfaction, leading to its prohibition in some places, such as Finland. This study optimises the dynamic allocation of incentives to drivers, encouraging them to reroute onto alternative (potentially longer) paths to achieve greater societal benefit, reduced total travel time (TTT) and total emissions in the transportation network, contributing to sustainable urban mobility. We employ a multi-agent reinforcement learning approach to dynamically assign incentives to drivers to reduce both TTT and emissions, with travel times estimated using traffic simulation software. We demonstrate that, with an unlimited budget and an objective of minimising travel time, the incentive scheme reduces TTT by 16%, compared to the dynamic User-Equilibrium (UE) with a budget equivalent to about 11% of the UE total time. When the goal is to minimise emissions, a 9% reduction in CO2 emissions is observed under an unlimited budget. We demonstrate a critical trade-off: minimising TTT leads to an increase in emissions, while prioritising emission reductions raises TTT. However, with the right combination of weights in the multi-objective function, both TTT and total emissions are improved beyond the baseline.
- Abstract（参考訳）: 交通管理は伝統的に有料および道路料金のソリューションに重点を置いてきた。
しかし、道路料金はアクセシビリティや公共の不満を生じさせることが多く、フィンランドなど一部の地域では禁止されている。
本研究は,運転者へのインセンティブの動的配分を最適化し,社会性の向上,交通ネットワークの総移動時間(TTT)の削減,都市移動の持続化に寄与するため,代替(潜在的に長い)経路に再帰することを奨励する。
我々は,交通シミュレーションソフトウェアを用いて,運転者へのインセンティブを動的に割り当てることにより,TTTとエミッションの両方を削減し,走行時間を推定する多エージェント強化学習手法を採用した。
我々は,無制限の予算と旅行時間の最小化を目的として,このインセンティブは,UE総時間の約11%に相当する予算を持つ動的ユーザ平衡(UE)と比較して,TTTを16%削減することを示した。
排出量の最小化を目標とする場合、9%のCO2排出量削減は無制限の予算で観測される。
TTTの最小化は排出量の増加につながりますが、排出削減の優先順位付けはTTTを上昇させます。
しかし、多目的関数における重みの正しい組み合わせにより、TTTと総排出量はベースラインを超えて改善される。
関連論文リスト
- HiLLTS: Zero-Shot Hierarchical LLM-Guided Traffic Signal Control for Sustainable Transportation [4.812918991091311]
都市交通渋滞は燃料消費、温室効果ガス排出量、通勤遅延を著しく増加させる。
階層型3層アーキテクチャを用いたLLM誘導信号制御フレームワークであるHiLLTSを提案する。
実験の結果, 渋滞と環境性能の両面において一貫した改善が認められた。
論文 参考訳（メタデータ） (2026-07-17T14:15:13Z) - Dynamic multi-agent deep reinforcement learning-based pricing and incentivization approach in multimodal transportation networks [2.705553857706297]
本稿では,SMSと公共交通機関の動的価格設定とインセンティブ化戦略を通じてインタラクションをキャプチャする多エージェント深層強化学習フレームワークを提案する。
3時間にわたるピーク期間の数値実験により、動的なインセンティブ化は混雑ピークを効果的に低減し、通勤者のコストを約20%削減し、排出を約10%削減し、公共交通機関の利益をほぼ倍増させ、より公平な利益分配を支援することを示した。
論文 参考訳（メタデータ） (2026-06-22T12:39:40Z) - A Query-Driven Communication-Efficient Digital Twins Design for Autonomous Driving [48.449399096079624]
ディジタルツイン(DT)は、決定論的・高信頼性サービスのための物理的実体の危険のないシミュレーションを行うための潜在的な技術となっている。
車両のリアルタイム状態同期のみに依存する従来のDT手法は、許容できない計算と通信消費につながる可能性がある。
本稿では,DTが車両から望まれる環境データを積極的に要求できるようにするためのクエリ駆動型DTアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-06-22T05:28:07Z) - Balancing Efficiency and Fairness in Traffic Light Control through Deep Reinforcement Learning [7.726701007187284]
本稿では、車両と歩行者の両方の交通の公平性を考慮した交通光制御のための新しい深層強化学習エージェントを提案する。
実験の結果,道路利用者の両カテゴリにおいて,適切なサービスを確保しつつ,渋滞を効果的に軽減できることが示唆された。
本研究は,スマートシティの枠組みにおける知的交通管理の実践的かつ適応的なソリューションに寄与する。
論文 参考訳（メタデータ） (2026-05-11T08:19:18Z) - Resilient Charging Infrastructure via Decentralized Coordination of Electric Vehicles at Scale [37.56003520528009]
既存の分散化アプローチは、駅の停電や充電要求の予期せぬ急激な急激な急激な急激な増加など、厳しい状況下で苦労している。
我々は、EVがシステム全体の効率に対して、選択した個人の快適さをバランスさせることのできる、新しい学習ベースの協調フレームワークを提案する。
このフレームワークでは、EVは快適さと効率を優先的にシフトする適応的な充電行動のために推奨される。
論文 参考訳（メタデータ） (2025-11-26T00:32:23Z) - Safe and Economical UAV Trajectory Planning in Low-Altitude Airspace: A Hybrid DRL-LLM Approach with Compliance Awareness [42.280913394678656]
本稿では, 深層強化学習(DRL)と大言語モデル(LLM)の推論を組み合わせた新しいUAV軌道計画フレームワークを提案し, 安全性, 適合性, 経済的に実現可能な経路計画を実現する。
実験の結果,本手法は,データ収集率,衝突回避率,着陸成功率,規制遵守度,エネルギー効率など,複数の指標において,既存のベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2025-06-10T07:51:29Z) - Tokenize the World into Object-level Knowledge to Address Long-tail Events in Autonomous Driving [43.156632952193966]
従来のエンド・ツー・エンドの運転モデルは、トレーニング・ディストリビューション内での珍しいまたは目に見えない入力のために、長い尾のイベントに悩まされる。
オブジェクトレベルの知識に世界をトークン化する新しい多モード大規模言語モデル(MM-LLM)であるTOKENを提案する。
ToKENは、従来のエンドツーエンドの駆動モデルを活用することにより、データの不足と非効率なトークン化を効果的に軽減する。
論文 参考訳（メタデータ） (2024-07-01T04:34:50Z) - Deep Reinforcement Learning-based Intelligent Traffic Signal Controls
with Optimized CO2 emissions [6.851243292023835]
交通ネットワークは、人間の健康や環境に悪影響を及ぼし、交通渋滞に寄与する準最適制御政策の課題に直面している。
文献における適応的な信号制御装置はいくつかあるが、それらの比較性能について限定的な研究がなされている。
EcoLightは,CO2排出量を削減するだけでなく,旅行時間などの指標で競合する結果が得られる強化学習アルゴリズムの報酬形成手法である。
論文 参考訳（メタデータ） (2023-10-19T19:54:47Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳（メタデータ） (2023-06-13T05:58:57Z) - Deep Reinforcement Learning with Spatio-temporal Traffic Forecasting for
Data-Driven Base Station Sleep Control [39.31623488192675]
5G時代のモバイル交通需要の増加に対応するため、基地局(BS)は無線アクセスネットワーク(RAN)に密に展開され、ネットワークカバレッジと容量が向上しています。
BSの高密度はピークトラフィックに対応するために設計されているため、オフピーク時にBSがオンになっている場合、不必要に大量のエネルギーを消費します。
セルラーネットワークのエネルギー消費を抑えるために、交通需要に応えないアイドルベースステーションを非活性化する方法が効果的である。
本論文では,DeepBSC と呼ばれるトラフィック認識型動的 BS 睡眠制御フレームワークを開発した。
論文 参考訳（メタデータ） (2021-01-21T01:39:42Z)
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。