Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Sign up for free
Menu
Search
Features
All features
Private URLs
Password Protection
Custom URLS
Scheduled publishing
Remove Branding
Restrict embedding
Deck Collections
Notes
Features
All features
Private URLs
Password Protection
Custom URLS
Scheduled publishing
Remove Branding
Restrict embedding
Deck Collections
Notes
Explore
Featured decks
Featured speakers
Programming
Technology
Storyboards
Explore
Featured decks
Featured speakers
Programming
Technology
Storyboards
Pricing
Search
Sign in
Sign up for free
IP66_EvacuationLearning
Search
SatokiMasuda
November 18, 2024
Research
76
0
Share
Embed
Copy iframe code
Copy JS code
Copy link
Start on current slide
IP66_EvacuationLearning
第66回土木計画学研究発表会・秋大会の発表資料です。「異質性に着目した強化学習に基づく動的避難目的地選択モデル」
SatokiMasuda
November 18, 2024
More Decks by SatokiMasuda
See All by SatokiMasuda
IP73_LUTI_dynamic_game
stkmsd
0
69
hksts2025
stkmsd
1
79
ieee2025
stkmsd
0
76
ip71_contraflow_reconfiguration
stkmsd
0
170
kanazawa2024
stkmsd
0
77
hksts2024
stkmsd
0
79
IP70_counterfactual_machine_learning
stkmsd
0
94
ip68_LocationGame
stkmsd
0
63
ip67_MFDRL_evacuation
stkmsd
0
120
Other Decks in Research
See All in Research
The story of RefactoringMiner. Slow research, long-term impact
tsantalis
0
150
2026年度 生成AI を活用した論文執筆ガイド/ワークショップ / 2026 Academic Year Guide to Writing Papers Using Generative AI - Workshop
ks91
PRO
0
230
論文紹介:Doc-to-LoRA: Learning to Instantly Internalize Contexts
yukako_nakano
0
160
Anthropic が提案する LLM の内部状態を自然言語で説明可能にした Natural Language Autoencoders / Natural Language Autoencoders Produce Unsupervised Explanations of LLM Activations
shunk031
0
210
SAKURAONE:An Open Ethernet-based AI HPC System And Its Observed Workload Dynamicsin a Single-Tenant LLM Development Environment
yuukit
1
590
Pretrain Where? Investigating How Pretraining Data Diversity Impacts Geospatial Foundation Model Performance
satai
3
130
AIエージェント時代のLLM-jpモデルのあるべき姿
k141303
0
620
【ローカルAIに向き合う展示会vol.2】液体時間定数型モジュールを用いた オリジナルの双方向エンコーダーモデルNexteraBERT 推論速度向上検討並びにダウンストリーム評価
rikkabotan7
0
190
重要だけど測れていないもの:高齢者ケアの見えない課題
theoriatec2024
0
510
マーケットストリート 社会実験2024 in 秋葉原ジャンク通り 調査報告書
izumiyama_lab
1
140
Using our influence and power for patient safety
helenbevan
0
420
最先端NLP勉強会2026 論文紹介:Reasoning with Sampling: Your Base Model is Smarter Than You Think (ICLR 2026 paper)
kogoro
4
600
Featured
See All Featured
How to make the Groovebox
asonas
2
2.4k
How GitHub (no longer) Works
holman
316
150k
Money Talks: Using Revenue to Get Sh*t Done
nikkihalliwell
0
490
Believing is Seeing
oripsolob
1
210
Kristin Tynski - Automating Marketing Tasks With AI
techseoconnect
PRO
0
510
Have SEOs Ruined the Internet? - User Awareness of SEO in 2025
akashhashmi
0
490
Tips & Tricks on How to Get Your First Job In Tech
honzajavorek
1
730
Avoiding the “Bad Training, Faster” Trap in the Age of AI
tmiket
0
230
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
31
3.4k
Designing Experiences People Love
moore
143
24k
Conquering PDFs: document understanding beyond plain text
inesmontani
PRO
4
3k
Building Adaptive Systems
keathley
44
3.2k
Transcript
ҟ࣭ੑʹணͨ͠ڧԽֶशʹجͮ͘ ಈతආతબϞσϧ ˓ ૿ా ܛथ ౦ژେֶֶܥݚڀՊ ະདྷ גࣜձࣾ๛ాதԝݚڀॴ Ӌ౻
ӳೋ ౦ژେֶֶܥݚڀՊ 12 ަ௨ωοτϫʔΫੳηογϣϯ 2022.11.12 16:45-18:15 ୈ9ձ ୈճܭըֶݚڀൃදձɾळେձ!ླྀٿେֶ
ආͷωοτϫʔΫσβΠϯɾ੍ޚ 2 ࡂ࣌ʹಥൃతͳधཁ͕ൃੜ͠ɺωοτϫʔΫ༰ྔΛա ةݥେ ةݥத ةݥখ
ආͷωοτϫʔΫσβΠϯɾ੍ޚ Øࡂ࣌ͷใఏڙσβΠϯ Øࡂؒͷආ܇࿅ͷ࠷దઃܭ 3 બͷҟ࣭ੑΛ׆༻ͨ͠ආަ௨ͷΈ߹Θͤ࠷ద ةݥେ ةݥத ةݥখ ใͷֶशաఔͱߦಈม༰ΛϞσϧԽ͠ɺ੍ޚʹ׆༻͢Δ
ֶशաఔͷදݱ – ڧԽֶश ΤʔδΣϯτ͕ڧԽֶशΛߦ͏ͱ͢Δͱɺ ߦಈͱใुͷ֫ಘΛ܁Γฦ͠ɺ࠷దͳํࡦΛֶश͍ͯ͘͠ → ʮඇආʯঢ়ଶʹ͋Δ࣌ɺظใु͕࠷ߴ͍ঢ়ଶભҠΛֶश 4 ࣌ؒ ֶशᶃ
ආޮ༻ 𝑣 ආ ᶄ Ұํɺਓؒڥ͔Β࠷దํࡦΛֶͳ͍͜ͱɺֶशΛ٫ ͢Δ͜ͱ͕͋Δɻ
ֶशաఔͷදݱ – day-to-dayͷܦ࿏બ ܦ࿏બߦಈʹؔ͢Δ࣮ݧ࣮ࣨݧͷݚڀ͕ߦΘΕ͖ͯͨ • ܁Γฦ͠ʹΑΔश׳Խ Bogers, Bierlaire, Hoogendoorn (2007)
• ϕΠζϧʔϧʹΑΔೝͷߋ৽ Jha, Madanat, Peeta (1998) • Horowitz (1984) – ֶशʹΑΔཱྀ֮ߦ࣌ؒͷܗΛදݱ 5 𝑢!" = 𝛽#!$% $ & "'( 𝑤& 𝑇!& + 𝜖!" աڈͷཱྀߦ࣌ؒͷॏΈ͖ฏۉ 𝑤& ͷઃఆʹΑΓ͞·͟·ͳදݱ͕Մೳɻ ex) ͍ۙաڈͷܦݧ΄ͲॏΈ͚ ü ॏΈ 𝑤& ੳऀ͕ઃఆ͢Δ ü ࡂ܇࿅ຖ܁Γฦ͞ΕΔֶशͰͳ͍ ຊݚڀͰ𝑤! Λ٫ͱଊ͑ɺೝֶशաఔΛද͢ॏཁͳ ύϥϝʔλͱͯ͠ਪఆ͢Δ
ຊݚڀͷয త ใͷֶशͱ٫Λߟྀͨ͠ආωοτϫʔΫ੍ޚ nڧԽֶशɾday-to-dayͷܦ࿏બͷֶश • աڈͷܦݧ֎෦ใʹΑΔ֮ߦಈنൣܗ Øֶशִ͕͍ؒ߹ͷɺֶशͱ٫ͷهड़ͱ༧ଌ͕ඞཁ n ආߦಈͷੳ •
܇࿅ใఏڙલޙͷҙมԽͷੳ ØޮՌͷ࣋ଓͷੳ͕ෆՄܽ ࡂكগࣄΏֶ͑शͱ٫ΛϞσϦϯά͠ɺ࣮ݧσʔλʹΑΔ ύϥϝʔλਪఆͰֶशաఔͷಛΛ໌Β͔ʹ͢Δɻ 6
ֶशաఔͷදݱ 7 ࣌ؒ ֶशᶃ 𝑣) ࣌ؒͱͱʹޮՌݮ ٫ ආޮ༻ 𝑣
ආ
ֶशաఔͷදݱ 8 ࣌ؒ ੳ࣌ 𝑣) ࣌ؒͱͱʹޮՌݮ ٫ ආޮ༻ 𝑣 ආ
ֶशᶃ
ֶशաఔͷදݱ 9 ආޮ༻ 𝑣 ආ ࣌ؒ ੳ࣌ 𝑣) 𝜆 𝑣避難
= 𝑣" +𝜆𝛿学習 ֶशޮՌൈ͖ͷ ޮ༻ͷ֬ఆ߲ ֶशܦݧ͕͋Ε ͳ͚Εͷม ֶशᶃ
ֶशաఔͷදݱ 10 ࣌ؒ ੳ࣌ 𝑣) 𝜆 ਅͷޮՌ 𝑣避難 = 𝑣"
+𝜆𝛿学習 ֶशޮՌൈ͖ͷ ޮ༻ͷ֬ఆ߲ ֶशܦݧ͕͋Ε ͳ͚Εͷม ආޮ༻ 𝑣 ආ ܦݧΛ୯७ʹઆ໌มʹؚΊΔ͚ͩͰ ֶशͷޮՌΛաখධՁͯ͠͠·͏ ֶशᶃ
ֶशաఔͷදݱ – ఏҊ 11 ࣌ؒ ֶशᶃ ̅ 𝜆 ආޮ༻ 𝑣
ආ ੳ࣌ ୯Ґ࣌ؒ 𝑣)
ֶशաఔͷදݱ – ఏҊ 12 ࣌ؒ 𝑣) ̅ 𝜆 ආޮ༻ 𝑣
ආ ੳ࣌ 𝛾 ̅ 𝜆 𝛾* ̅ 𝜆 𝛾+ ̅ 𝜆 ੳ࣌Ͱͷ ֶशᶃͷޮՌ 𝑣避難 = 𝑣" +𝛾# ̅ 𝜆𝛿学習① ֶशᶃ͕͋Ε ͳ͚Εͷม ٫ͷఔΛද͢ม𝛾Λಋೖ ֶशᶃ ୯Ґ࣌ؒ
ֶशաఔͷදݱ ʻԾఆʼ • ԿֶशΛ܁Γฦͯ͠ɺͦͷޮՌ ̅ 𝜆Ͱݻఆ • ֶशͷִؒ΄΅ҰఆͰɺwaveؒͰ٫ 𝛾ͰޮՌ͕ݮ͢Δ 13
𝑣避難 = 𝑣" +𝛾!$% ̅ 𝜆𝛿&'() % + 𝛾!$* ̅ 𝜆𝛿&'() * + 𝛾!$# ̅ 𝜆𝛿&'() # + ⋯ = 𝑣" + ̅ 𝜆 * +,% ! 𝛾!$+𝛿+ • ਪఆରɺ ̅ 𝜆ʢֶशʹΑΔޮՌʣͱ 𝛾ʢ٫ʣ શ 𝑥 wave͋Δͱ͖ɺwave 𝑥ޙͷޮ༻ͷ֬ఆ߲ɺ
ֶशσʔλͷऔಘ • ෳwaveͷߦಈσʔλ͕͋Ε٫܇࿅ޮՌͷਪఆ͕Մೳ 14 ࠞࡶใ ආ܇࿅ ආ܇࿅ ආ܇࿅ ࠞࡶใ ਁਫใ
ආ܇࿅ ࠞࡶใ ਁਫใ ආߦಈ SPௐࠪᶃ 2022/3/2 ~ 4 ආߦಈ SPௐࠪᶄ 2022/3/11 ~ 15 ආߦಈ SPௐࠪᶅ 2022/3/25 ~ 29 ආߦಈ SPௐࠪᶆ 2022/4/14 ~ 20 ࠞࡶใ ਁਫใ 272໊
܇࿅ͱใఏڙͷ༷ࢠ 15 1 2 3 ᶃେౡஸஂ ϋβʔυใ ྟւ෦ͷ΄͏͕ਫ ʹରͯ҆͠શͱ͍͏ ͷײͱҧ͏ɻ
ॳΊͯͬͨɻ ਁਫҬʹॅΉߴྸঁੑ
ආతબϞσϧ – 2ͭͷಈֶੑ 16 ࣗ ආॴ A ආॴ B wave1
wave2 ࡂ࣌ ಈతࢄબϞσϧ ආܦݧ ࡂؒ ޮ༻ͷߋ৽ 𝑝 𝑠!"# 𝑠! = 𝑒 # $ % 𝑠!"# 𝑠! ; 𝜽 "&'! ("#$ ∑ ("#$ % ∈* (" 𝑒 # $ % 𝑠!"# + 𝑠! ; 𝜽 "&'! ("#$ % 𝑣!"# = 𝑣$ + 𝜆 % %,&' % 𝛾%(%, 𝛿% wave間 wave
waveؒ ֶशύϥϝʔλͷਪఆ 17 wave1避難者 wave1非避難者 推定値 t値 推定値 t値 非避難効用の変化
(出発時刻選択) 48h前固有項 0.362 2.08* 0.224 0.73 24h前固有項 0.344 1.85 0.862 2.25* 12h前固有項 -0.303 -1.28 -1.541 -1.89 6h前固有項 -1.236 -3.39** 2.173 2.08* 目的地効用の変化 ハザードマップ内 -0.683 -1.40 -1.128 -1.59 避難訓練参加 (自宅選択時) -0.580 -1.05 0.004 0.01 目的地の混雑情報 (非自宅選択時) -0.433 -1.38 -2.017 -2.86** 記憶率 0.143 0.48 0.321 1.20 サンプル数 100 144 初期対数尤度 -723.9 -290.0 最終対数尤度 -682.2 -197.8 尤度比 0.058 0.318 修正済尤度比 0.047 0.290 *:5%有意, **1%有意 • wave1Ͱආ͢Δͱճͨ͠ਓͱͦ͏Ͱͳ͍ਓʹ͚ͯਪఆ ආͷબ͕ݩ͔ Β͍ਓɺ܇࿅ ࢀՃͷޮՌ͕ೝΊ ΒΕͳ͍͕ɺࠞࡶ Λආ͚Α͏ͱ͢Δ ̅ 𝜆 𝛾 忘却率
waveؒ ֶशύϥϝʔλͷਪఆ 18 EMクラス1 EMクラス2 推定値 t値 推定値 t値 非避難効用の変化
(出発時刻選択) 48h前固有項 11.871 0.10 -0.053 -0.30 24h前固有項 0.369 2.14* 0.237 1.11 12h前固有項 -8.180 -0.15 0.143 0.63 6h前固有項 8.740 0.15 -2.449 -5.46** 目的地効用の変化 ハザードマップ内 -2.144 -2.28* 0.847 1.41 避難訓練参加 (自宅選択時) -1.902 -2.20* -0.629 -0.74 目的地の混雑情報 (非自宅選択時) -3.598 -3.09** 0.028 0.08 記憶率 1 4.15** 0.213 1.17 サンプル数 100 初期対数尤度 -723.9 最終対数尤度 -571.7 尤度比 0.210 修正済尤度比 0.188 *:5%有意, **1%有意 Ϋϥε1 = • ਁਫ͢Δॴʹߦ͖ͨ ͘ͳ͍ • ܇࿅ࢀՃʹΑΓආ ޮ༻্͕ঢ͢Δ • ࠞࡶ͢Δॴʹߦ͖ͨ ͘ͳ͍ ͱֶश͢Δൣ Ϋϥε2 = ใఏڙʹײ͕ͳ͍ • wave1Ͱආ͢Δͱճͨ͠ਓͷதʹҟ࣭ੑ͕͋Δͱߟ͑ɺજ ࡏΫϥεϞσϧͰਪఆ ̅ 𝜆 𝛾 忘却率
ආ܇࿅ࢀՃʹΑΔආޮ༻ͷมԽ 19 ࣌ؒ ආ܇࿅ᶃ ආ܇࿅ᶄ 𝑣) ආޮ༻ 𝑣 ආ 2िؒ
−3.60 -0.63 Ϋϥε1 Ϋϥε2
ࠞࡶใఏڙʹΑΔతޮ༻ͷมԽ 20 ࣌ؒ ใఏڙᶃ ใఏڙᶄ ආޮ༻ 𝑣 ආ 2िؒ −1.90
0.03 Ϋϥε1 Ϋϥε2
·ͱΊ üكগࣄʹର͢Δֶशͱ٫ͷաఔΛϞσϧԽ ü࣮ݧσʔλʹΑΔύϥϝʔλਪఆͰ܇࿅ͱใͷֶशաఔΛੳ üใఏڙܦݧʹର͢Δֶशͷఔͱɺ٫ͷ͞ʹҟ࣭ੑ͕ ͋Δ͜ͱΛ໌Β͔ʹͨ͠ ࠓޙͷํੑ Øใఏڙʹର͢ΔԠͷҟ࣭ੑΛར༻ͯ͠ɺආަ௨ͷधཁɾܦ ࿏ɾతͷ࠷ద੍ޚൃల Ø٫ͷԾఆͷ؇ →
ܦա࣌ؒͷߏԽɺม͝ͱʹҟͳΔ٫ͷઃఆ 21