文献

J-GLOBAL ID：202202253636192792   整理番号：22A0321512

リアルタイム先行道路安全管理のための深層強化学習ベース知的介入フレームワーク【JST・京大機械翻訳】

A deep reinforcement learning-based intelligent intervention framework for real-time proactive road safety management

著者 (3件)： Roy Ananya (ALMEC Corporation, Head Office Transportation Planning Division (Overseas Department), Kensei Shinjuku Building, 5-5-3 Shinjuku, Shinjuku-ku, Tokyo 160-0022, Japan) ,  Hossain Moinul (Department of Civil and Environmental Engineering, Islamic University of Technology, Gazipur 1704, Bangladesh) ,  Muromachi Yasunori (Department of Civil and Environmental Engineering, School of Environment and Society, Tokyo Institute of Technology G3-5, 4259 Nagatsutacho Midori-ku, Yokohama 226-8503, Japan)
資料名： Accident Analysis & Prevention  (Accident Analysis & Prevention)
巻： 165  ページ： Null  発行年： 2022年 
JST資料番号： D0828A  ISSN： 0001-4575  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 実時間で都市高速道路の安全性を改善するための可変速度限界(VSL)システムを提案した。システムは,2つの主な機能を有する:交通データを監視し,次に,リアルタイム衝突予測モデル(RTCPM)を通して,事故リスクを評価するために,データを使用する。リスクが高いとき,システムはVSL制御を誘発して,トラフィック条件を正常に復元する。本研究は,既存のVSLベースのリアルタイム安全介入におけるいくつかの弱点を扱う。既存のモデルは,異なるフリーウェイ間の様々な検出器間隔,および研究領域内でさえ,広く適用できない。したがって,入力として既存の検出器間隔を用いて,セル伝送モデル(CTM)を用いて,望ましいセルサイズの交通状態をシミュレーションした。動的Bayesネットワーク(DBN)を用いてRTCPMのモデリングを行った。提案したCTMモデルを次に修正してVSL制御を可能にした。既存の研究は,あらかじめ定義されたリストから様々なVSL戦略を選択したが,VSL制御のための強化学習ベースの機械学習アルゴリズムである深いQネットワークを採用した。東京首都高速道路の2つの busしいセグメントを研究地域として使用した。いくつかの反復の後,提案したリアルタイムシステムは,衝突リスクを19%減少させた。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 安全性 ,  ネットワーク ,  リスク ,  事故 ,  高速道路 ,  *道路 ,  都市高速道路 ,  セグメント ,  実時間処理 ,  モデル ,  *安全管理 ,  *強化学習 ,  学習アルゴリズム
準シソーラス用語： 首都高速道路 ,  交通データ , 【Automatic Indexing@JST】

著者キーワード (4件)： 細胞透過モデル ,  動的Bayesネットワーク ,  リアルタイム衝突予測と介入モデル ,  深層強化学習

分類 (1件)： 自動車事故,交通安全  (TB01050G)

タイトルに関連する用語 (4件)： リアルタイム ,  道路安全 ,  深層強化学習 ,  フレームワーク