XiaoMi-AI文件搜索系统
World File Search SystemTraffic
基于O-RAN的交通转向的状态空间分解的级联加固学习
摘要 - 我们研究开放无线接入网络（O-RAN）中的交通转向问题（TS）问题，利用其RAN智能控制器（RIC），其中RAN RAN RAN配置参数可以在接近现实的时间内共同且动态地优化。为了解决TS问题，我们提出了一种新颖的级联加固学习（CARL）框架，我们建议在其中提出状态空间分解和策略分解，以减轻对大型复杂模型和标记良好的数据集的需求。对于每个子州空间，对RL子政策进行了训练以优化服务质量（QoS）。要将CARL应用于新的网络领域，我们提出了一种知识转移方法，以根据受过训练的政策学到的知识来初始化新的子政策。为了评估卡尔，我们构建了一个数据驱动的RIC Digital Twin（DT），该数据使用现实世界中的数据进行建模，包括网络设置，用户地理分配和流量需求，以及其他tier-1 RAN操作员。我们在两个DT方案中评估了Carl，代表了两个不同的美国城市，并将其表现与惯常政策作为基线和其他竞争优化方法（即启发式和Q-表算法）进行了比较。此外，我们已经与RAN运营商进行了实地试验，以评估CARL在美国东北地区的两个地区的表现。索引术语 - 运行，交通转向，增强学习。
QI-TraSiCo 量子交通信号控制
为了准备将量子启发式交通控制系统投入实际道路使用，DLR ITS 实验室也在对其进行测试。DLR ITS 实验室提供所有交通技术和技术设备，这些技术和设备也适用于典型的道路交叉口。这些设备尤其包括交通信号控制单元。因此，可以验证和优化量子启发式控制系统与实际交通技术之间的相互作用，以便在测试现场推广。
混合机器学习方法5G流量...
5G技术的开发和应用正在满足对移动通信的不断增长的需求[1]。经济和社会越来越多，由于新的，迅速扩展的技术革命，经济和社会变得越来越数字化，网络和聪明[2]。5G网络提供了几个优势，包括高速，极端可靠性和最小的延迟。具有全球可访问性，5G技术满足了广泛的终端网络的大量资源需求。但是，它还引入了网络流量，异质性和复杂性的指数增加，如图（1）所示。管理传统蜂窝网络中的大量异质数据流造成的可观交通负荷，5G操作员在宏基碱站周围部署了许多低功率微型和PICO基线站。此配置有助于卸载流量并维持跨宏基础站的负载余额[3，4]。准确的流量预测对于优化大型城市中5G蜂窝网络资源的部署和分配至关重要，并增强了交通管理系统的智能和可靠性[5]。鉴于5G网络流量本质上是时间序列数据，因此可以将预测挑战作为时间序列预测建模问题进行构架[6]。过去的方法主要使用数学理论，例如统计和概率分布，用于建模和预测流量流。这种方法依赖于有限参数，而不是数据集大小[7]。
现代奴隶制和人口贩运政策
• 对供应商的业务进行资格预审调查，包括与现代奴隶制相关的合规性； • 在我们的标准条款和条件中纳入反奴隶制和人口贩运条款；以及 • 持续确认合规性。South Hook 的重点是其直接供应商，但认识到这些供应商将拥有自己的供应链，因此希望我们的供应商在整个供应链中与我们分享有关现代奴隶制和人口贩运的相同价值观。South Hook 不支持或与任何明知参与现代奴隶制或人口贩运的人做生意。
2024 年现代奴隶制和人口贩运声明
X15 Ventures 审查。2024 年，对 CBA New Digital Businesses Pty Ltd（交易代码为 X15 Ventures）进行了审查，该公司是 CBA 的全资子公司，负责建立、购买和投资可能使 CBA 客户受益的数字企业。审查考虑了与 CBA 集团的风险敞口和方法相比，X15 Ventures 运营中的现代奴隶制风险与企业进行的尽职调查之间可能存在哪些差异。评估发现，X15 Ventures 遵循与员工和供应商管理相关的 CBA 集团政策、流程和程序。它还发现，X15 Ventures 企业的客户对 CBA 集团没有不同的现代奴隶制风险。因此，X15 Ventures 的流程与 CBA 没有实质性差异，本声明中不会单独引用。
2024 年科罗拉多州示范交通法规
许多法规都很简单，而其他法规则可能更复杂。交叉引用、相关细分和法规适用例外情况可能会使含义难以理解。德克萨斯州立法会提供了《法规阅读指南》，以帮助读者理解一般文件。
人类混合范式用于协作空中交通...
摘要 - 即使在人工智能（AI）方面的最新进展中，将基于AI的系统纳入空中交通管理（ATM）和空中交通管制（ATC），因此对ATM系统中的错误的容忍度极低，因此提出了显着的挑战。因此，我们建议在ATM中采用一种新型的人类混合（HAH）范式，强调了人类互动的协作方面和高安全标准。与人类组合范式中讨论的替代和增强概念相反，后者表达了人工智能和人类的角色被划分，我们更喜欢HAH范式，在该范式中，人类和AI系统作为集成单元协作以完成任务。在HAH范式下，ATM可以从ATCO判断，直觉和适应性的综合融合中，以及感知能力，计算能力以及对AI可以提供的细节的不懈关注。还研究了HAH的一些关键要素和设计原则，并且还提出了典型的以人为中心和关键的任务的空中交通冲突中HAH的例子。这些贡献是成功将HAH引入ATM/ATC的基本先决条件，并将有助于创建一个框架，以更好地理解和支持有效使用AI系统对ATM/ATC的使用。关键字 - 人类 - ai混合动力车，人类组合，空中交通管理，空中交通管制，基于AI的方法。
Bluesky-Gym：空中交通应用的加固学习环境
摘要 - 强化学习（RL）正在迅速成为空中交通管理和控制（ATM/ATC）中的主要研究方向。许多国际财团和个人作品都探索了其对不同ATC和U空间 / Urban Aircraft系统交通管理（UTM）任务的适用性，例如合并交通流，成功的水平有所不同。但是，迄今为止，还没有比较这些RL技术的共同基础，许多研究方从头开始构建自己的模拟器和场景。这可能会降低这项研究的价值，因为算法的性能无法轻易验证，也不能与其他实现相比。从长远来看，这会阻碍发展。体育馆图书馆显示了其他研究领域的库，可以通过提供一组标准化环境来解决，这些环境可用于测试不同的算法，并将它们与基准结果进行比较。本文提出了Bluesky-gym：为航空域提供类似的测试环境的库，建立在现有的开源空中交通模拟器Bluesky上。当前的Bluesky-Gym环境从垂直下降环境到静态障碍物和交通流量的合并。建立在体育馆API和Bluesky空中交通模拟器上，为ATC特定的RL性能基准提供了开源解决方案。在Bluesky-Gym的初始发布中，提出了7个功能环境。本文提出了PPO，SAC，DDPG和TD3的初步实验。结果表明，在所有环境中都具有默认超参数的所有环境。在某些环境中，出现较大的性能差距，并且在政策PPO上经常落后，但总的来说，没有明确的算法在总奖励方面超过了其他人的表现。关键字 - 空气流量管理（ATM），增强学习，自动化，基准测试，人工智能
分析美国和欧洲主要机场对天气驱动的空中交通管理挑战
摘要 - 本文为全球主要机场的天气相关空中交通管理（ATM）挑战的系统比较开发了一个通用框架，并将其应用于美国和欧洲的特定设施。使用气象和操作数据库，我们将提出的框架应用于客观地比较和对比模式，以说明：（i）操作挑战性的天气条件的类型，严重性和频率，例如对流风暴，风，天花板，可见度以及影响机场运营的降水量； （ii）由此产生的天气驱动需求/容量不平衡特征； （iii）战略和战术ATM响应以及由此产生的延迟特征。初步结果表明，美国机场经历了更高的对流风暴频率，导致更大的操作中断，而欧洲机场则受到低知名度事件的影响，这些事件在性能指标中起着更大的作用。本文以该框架的应用和提议的未来工作来为研发工作，促进最佳实践并增强ATC的协调而提出的工作中获得的见解总结结束。
现代奴隶制和人口贩卖声明
依据澳大利亚法律成立的，其主要办事处位于 Level 11, Brookfield Place, 125 St Georges Terrace, Perth, WA 6000, Australia；Squire Patton Boggs Ireland，是一家依据爱尔兰共和国法律成立的合伙企业，其主要办事处位于 Suite 39.4, Ella House, 39-40 Merrion Square East, Dublin 2, DO2 NP96, Ireland；Haussmann Associés SELARL，在法国注册；Devonshire Trustees Limited、Edge Ellison Services、Farringdon Management Company、Squire Patton Boggs Secretarial Services Limited、The Trustee Corporation Limited 和 Thousandth Man - Richard Burns Charitable Trust，均在英格兰和威尔士注册，注册办事处位于 Rutland House, 148 Edmund Street, Birmingham, B3 2JR； Hammond Suddards Trustees Limited 在英格兰和威尔士注册，注册办事处位于 6 Wellington Place, Leeds, LS1 4AP；Devonshire Promotions Limited、Squire Patton Boggs Directors Limited、Squire Patton Boggs Secretaries Limited 和 Squire Patton Boggs Park Lane Limited 均在英格兰和威尔士注册，注册办事处位于 60 London Wall, London EC2M 5TQ；Trinity Park Trustees Limited 在英格兰和威尔士注册，注册办事处位于 No. 1 Spinningfields, 1 Hardman Square, Manchester M3 3EB。