論文の概要: Balancing Mobility Efficiency and Environmental Exposure During Mega Events: A Multi-agent Routing Framework

• arxiv url: http://arxiv.org/abs/2610.37702v1
• Date: Mon, 26 Oct 2026 09:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 19:51:35.44294
• Title: Balancing Mobility Efficiency and Environmental Exposure During Mega Events: A Multi-agent Routing Framework
• Title（参考訳）: メガイベント時の移動効率と環境負荷のバランスをとる:マルチエージェントルーティングフレームワーク
• Abstract要約: 既存の交通管理戦略は、露出リスクに限定して、旅行効率に重点を置いている。 本研究は,短時間の高需要シナリオとしてメガイベント旅行に着目し,露光対応マルチエージェントルーティングフレームワークを開発する。 その結果、高い需要下では、SARSAベースのフレームワークは車の走行時間を34.59%削減し、累積環境曝露を58.65%削減している。
• 参考スコア（独自算出の注目度）: 3.02159123610409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mega events can generate concentrated travel demand, intensifying congestion around venues and increasing travelers' environmental exposure. Existing traffic management strategies focus on travel efficiency, with limited attention to exposure risks. Taking mega-event travel as a short-term high-demand scenario, this study develops an exposure-aware multi-agent routing framework integrating road-network conditions, event-induced demand, background traffic, and environmental data within a unified simulation environment. Motorized travelers optimize travel efficiency, whereas micro-mobility travelers consider travel time and dynamic exposure to traffic-related PM2.5 and noise. We compare the framework with shortest-distance, congestion-aware, and exposure-aware routing baselines. Results show that, under high demand, the SARSA-based framework reduces vehicle travel time by 34.59% and cumulative environmental exposure by 58.65%, while micro-mobility travel time remains nearly unchanged. Exposure reduction is jointly driven by vehicle-side congestion mitigation and low-exposure routing. The framework provides quantitative support for vehicle diversion, low-exposure route guidance, and health-oriented traffic management in short-term high-demand scenarios.
• Abstract（参考訳）: メガイベントは、集中した旅行需要を発生させ、会場周辺の混雑を増し、旅行者の環境負荷を増大させる。 既存の交通管理戦略は、露出リスクに限定して、旅行効率に重点を置いている。 本研究では,道路網の環境,イベントによる需要,背景トラフィック,環境データを統合シミュレーション環境に組み込んだマルチエージェント・ルーティング・フレームワークを開発した。 自動車旅行者は旅行効率を最適化する一方、マイクロモビリティ旅行者は交通関連のPM2.5や騒音に対する旅行時間とダイナミックな露出を考慮する。 フレームワークを、最短距離、混雑認識、露出認識のルーティングベースラインと比較する。 その結果、SARSAをベースとしたフレームワークは、自動車の走行時間を34.59%削減し、累積環境曝露を58.65%削減し、マイクロモビリティーの走行時間をほとんど変化しないことがわかった。 露光低減は、車側の混雑緩和と低露光ルーティングによって共同で駆動される。 このフレームワークは、短期的な高需要シナリオにおける車両の変態、低露出経路誘導、健康指向の交通管理を定量的にサポートする。

関連論文リスト

• Integrating Traffic Noise Emission Modelling into Variable Speed Limit Control [0.0]
  道路交通騒音は依然として大きな環境問題である。 ほとんどの速度管理戦略は静的であり、交通騒音の短期的な変化には反応しない。 本稿では,CNOSSOS-EUをベースとした簡易なエミッションインジケータと,集約されたトラフィック状態推定を統合したノイズ対応VSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-01T14:50:46Z)
• HLSR: Hybrid Live Forecast Selective Dynamic Vehicle Rerouting for Real-Time Congestion Avoidance [5.316857622023762]
  ネットワーク全体の移動時間短縮パス再ルーティングはシミュレーションにおいて非常に効果的であるが、基本的にすべてのオンロード車両が決定期間毎に再計画されていると仮定する。 本稿では,限定的な介入範囲下での短地予測とライブエッジ速度を融合した,選択的ハイブリッド型ライブ放送車再配置フレームワークHLSRを提案する。
  論文  参考訳（メタデータ） (2026-08-18T17:49:27Z)
• Self-Regulating Cars: Automating Traffic Control in Free Flow Road Networks [5.557442038265024]
  本稿では,車両の速度を動的に調整し,スループットを最適化し,混雑を防止することを目的とした,強化学習に基づく交通制御プロトコルである自己規制車を紹介する。 提案手法は,古典的交通流理論,ギャップ受容モデル,微視的シミュレーションを物理インフォームドRLフレームワークに統合する。 また、さまざまなトラフィックパターンをまたいで一般化しながら、スムーズで渋滞に強いフローを実現し、スケーラブルでML駆動のトラフィック管理の可能性を示している。
  論文  参考訳（メタデータ） (2025-06-13T17:31:23Z)
• Large-scale Regional Traffic Signal Control Based on Single-Agent Reinforcement Learning [5.1129002613887105]
  本稿では,単一エージェント強化学習(RL)に基づく地域交通信号制御モデルを提案する。 このモデルは、広域交通渋滞を緩和し、総走行時間を最小化することを目的として、広範囲にわたる交通信号を調整することができる。 SUMO交通シミュレーションソフトウェアを用いて実験を行った。
  論文  参考訳（メタデータ） (2025-03-12T10:51:29Z)
• 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)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Deep Reinforcement Learning to Maximize Arterial Usage during Extreme Congestion [4.934817254755007]
  本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。 エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。 エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
  論文  参考訳（メタデータ） (2023-05-16T16:53:27Z)
• 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)

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。