論文の概要: Resolving the Mobility-Equity-Emissions Trilemma: A Causal Machine Learning Framework for Dynamic Tolling Policy

• arxiv url: http://arxiv.org/abs/2610.33994v1
• Date: Sun, 25 Oct 2026 02:16:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.514065
• Title: Resolving the Mobility-Equity-Emissions Trilemma: A Causal Machine Learning Framework for Dynamic Tolling Policy
• Title（参考訳）: モビリティ・エクイティ・エミッション・トリレンマの解決:動的料金政策のための因果学習フレームワーク
• Abstract要約: 移動性, 公平性, 気候目標に対する動的トーリングを統合するための因果機械学習フレームワークを提案する。 商業ゾーンは住宅ゾーンの遅延低減の約2倍の速度で発生することを示す。 我々の枠組みは、気候のコベエフィットを提供し、排出量を743.5トン削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a causal machine learning framework to integrate dynamic tolling for mobility, equity, and climate objectives, resolving a long-standing policy trilemma. Using Double Machine Learning, we estimate zone-type-specific treatment effects, showing that commercial zones yield nearly twice the delay reduction of residential zones. Our adaptive quota mechanism expands residential coverage 34-fold while preserving 93% of total delay savings and sustaining high return on investment. The framework delivers climate co-benefits, reducing emissions by 743.5 metric tons of CO2 (valued at 141 USD) via congestion-sensitive pricing under moderate traffic conditions with sensitivity bounds from 557.6 to 929.3 tons. Crucially, we uncover a policy-invariant toll range where performance remains robust across demand scenarios, simplifying implementation. This study reveals critical, previously unidentified insights, such as a policy-invariant toll range, that can significantly simplify real-world implementation. Validated on synthetic data mirroring real-world networks, our methodological advances lay the foundation for future public deployment.
• Abstract（参考訳）: 本稿では,モビリティ,エクイティ,気候目標の動的トーリングを統合するための因果機械学習フレームワークを提案する。 また,Double Machine Learningを用いてゾーンタイプ特異的な処理効果を推定し,商業ゾーンが住宅ゾーンの遅延低減の約2倍の頻度で発生することを示した。 適応的なクォータ機構は、総遅延の93%を節約し、高い投資リターンを維持しながら、住宅の34倍の範囲を拡大する。 この枠組みは気候のコベネフィットを提供し、温室効果ガスの排出を743.5トン削減し(141 USDと評価される)、中程度の交通条件下での渋滞に敏感な価格設定により、557.6から929.3トンに制限される。 重要なことは、要求シナリオ全体でパフォーマンスが堅牢であり、実装を単純化する、ポリシー不変の料金範囲を明らかにします。 本研究は、実世界の実装を著しく単純化するポリシー不変の料金範囲のような、これまで特定されていなかった重要な知見を明らかにする。 実世界のネットワークを反映する合成データに基づいて検証され、我々の方法論の進歩は、将来の公開デプロイメントの基盤となった。

関連論文リスト

• EmbodiRSI: Recursive Self-Improvement for Data-Efficient Robot Adaptation [54.5481724465918]
  EmbodiRSIは、リアルからシミュレート・トゥ・リアル・セッティングにおける反復的な政策改善のためのシステムである。 タスク固有のシミュレーションは、ターゲットのデプロイメントシナリオから構築され、低コストな環境として使用される。 400の適応的なシミュレートされた軌道と、サブタスクごとに10の現実世界の軌道しか持たないため、EmbodiRSIは83.1%のシーンバランスの自律的実世界の成功を達成している。
  論文  参考訳（メタデータ） (2026-09-30T03:54:53Z)
• Learning-Based Dynamic Obstacle Avoidance for a UAV Using Only Three Range Sensors [1.2246649738388389]
  本研究では,未知の動環境下で一定高度で動作する無人航空機(UAV)のキノダイナミック・オンライン・モーション・プランニングに対する学習に基づくアプローチを提案する。 提案フレームワークは,行動グリッドマップの表現をDeep Reinforcement Learning (DRL)と統合し,継続的制御における安定した政策学習を実現する。 キーとなるアイデアは、低コストな3つの指向性レンジセンサーのみを使用して、信頼性の高いナビゲーションを可能にする状態表現と制御ポリシーの共設計である。
  論文  参考訳（メタデータ） (2026-09-13T10:53:43Z)
• 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)
• Critic-Free Deep Reinforcement Learning for Maritime Coverage Path Planning on Irregular Hexagonal Grids [1.2891210250935148]
  海上監視任務は、広大で幾何学的に複雑な領域におけるセンシング資産の効率的な配分に依存している。 伝統的なカバー・パス・プランニングアプローチは不規則な海岸線、島々、および排他的地域と戦っている。 本研究では,不規則海域の六角形格子表現においてCPPを解くための深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-30T12:56:38Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Multi-Objective Adaptive Rate Limiting in Microservices Using Deep Reinforcement Learning [10.766410192517164]
  APIレート制限は、システムの安定性とサービス品質を保証する重要なメカニズムとして現れています。 トークンバケットやスライディングウィンドウといった従来のレート制限アルゴリズムは、動的トラフィックパターンやさまざまなシステム負荷に適応するのに苦労する。 本稿では,システムスループットとサービスレイテンシを動的にバランスする深層強化学習に基づく適応率制限戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-05T08:22:42Z)
• ATLAS: Constraints-Aware Multi-Agent Collaboration for Real-World Travel Planning [53.065247112514534]
  ATLASは、現実世界の旅行計画タスクにおける制約意識の複雑な性質を扱うために設計された汎用マルチエージェントフレームワークである。 我々はTravelPlannerベンチマークで最先端のパフォーマンスを示し、最終パスレートを23.3%から44.4%に改善した。
  論文  参考訳（メタデータ） (2025-09-29T23:23:52Z)
• Using Reinforcement Learning for the Three-Dimensional Loading Capacitated Vehicle Routing Problem [40.50169360761464]
  効率を上げるためのソリューションとして、協調車両ルーティングが提案されている。 現在の運用研究手法は、問題の大きさを増大させる非線形スケーリングに悩まされている。 約線形時間で3次元負荷容量化車両ルーティング問題を解くための強化学習モデルを開発した。
  論文  参考訳（メタデータ） (2023-07-22T18:05:28Z)
• DROP: Deep relocating option policy for optimal ride-hailing vehicle repositioning [36.31945021412277]
  配車システムにおいて、空席車両の最適移動は、艦隊のアイドリング時間を著しく短縮し、供給需要分布のバランスをとることができる。 本研究では,過供給地域から逃れるための車両エージェントを監督するDep relocating option Policy (DROP)を提案する。 本稿では,ハイレベル転位ポリシと低レベルDROPのセットをトレーニングする階層型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-09T10:20:53Z)

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。