論文の概要: Using AI for Mitigating the Impact of Network Delay in Cloud-based Intelligent Traffic Signal Control

• arxiv url: http://arxiv.org/abs/2002.08303v2
• Date: Fri, 6 Mar 2020 03:49:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 14:21:04.101674
• Title: Using AI for Mitigating the Impact of Network Delay in Cloud-based Intelligent Traffic Signal Control
• Title（参考訳）: クラウドベースのインテリジェントトラフィック信号制御におけるネットワーク遅延の影響のAIによる軽減
• Authors: Rusheng Zhang, Xinze Zhou, Ozan K. Tonguz
• Abstract要約: 本稿では,強化学習に基づく新しい信号制御アルゴリズムを提案する。 本稿では,ネットワーク遅延が重要な問題となるすべてのエージェントベースシステムに有効なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.121462458089143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent advancements in cloud services, Internet of Things (IoT) and Cellular networks have made cloud computing an attractive option for intelligent traffic signal control (ITSC). Such a method significantly reduces the cost of cables, installation, number of devices used, and maintenance. ITSC systems based on cloud computing lower the cost of the ITSC systems and make it possible to scale the system by utilizing the existing powerful cloud platforms. While such systems have significant potential, one of the critical problems that should be addressed is the network delay. It is well known that network delay in message propagation is hard to prevent, which could potentially degrade the performance of the system or even create safety issues for vehicles at intersections. In this paper, we introduce a new traffic signal control algorithm based on reinforcement learning, which performs well even under severe network delay. The framework introduced in this paper can be helpful for all agent-based systems using remote computing resources where network delay could be a critical concern. Extensive simulation results obtained for different scenarios show the viability of the designed algorithm to cope with network delay.
• Abstract（参考訳）: クラウドサービス、IoT(Internet of Things)、セルラーネットワークの最近の進歩により、クラウドコンピューティングはインテリジェントなトラフィック信号制御(ITSC)の魅力的な選択肢となった。 このような方法は、ケーブルのコスト、設置、使用する機器の数、メンテナンスを大幅に削減する。 クラウドコンピューティングに基づくITSシステムは、ITSCシステムのコストを低減し、既存の強力なクラウドプラットフォームを利用することでシステムをスケール可能にする。 このようなシステムには大きな可能性があるが、対処すべき重要な問題の1つはネットワーク遅延である。 メッセージ伝達のネットワーク遅延は防ぐのが難しく、それによってシステムの性能が低下したり、交差点での車両の安全性の問題が発生する可能性があることが知られている。 本稿では,強化学習に基づく新しいトラヒック信号制御アルゴリズムを提案する。 本稿では,ネットワーク遅延が重要となるリモート・コンピューティング・リソースを用いたエージェント・ベース・システムに有用なフレームワークを提案する。 異なるシナリオで得られた広範囲なシミュレーション結果は、ネットワーク遅延に対処する設計アルゴリズムの生存可能性を示している。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Managing Bandwidth: The Key to Cloud-Assisted Autonomous Driving [73.55745551827229]
  自動運転車のようなリアルタイム制御システムにクラウドを頼らなければならない、と私たちは主張する。 時間に敏感な計算と遅延クリティカルな計算の一部をクラウドにオフロードする機会を特定します。
  論文  参考訳（メタデータ） (2024-10-21T17:32:36Z)
• Queue-aware Network Control Algorithm with a High Quantum Computing Readiness-Evaluated in Discrete-time Flow Simulator for Fat-Pipe Networks [0.0]
  広域ネットワークにおける交通工学のための資源再占有アルゴリズムを提案する。 提案アルゴリズムは、過負荷のトランシーバの場合のトラフィックステアリングとリソース割り当てを変更する。 新たに導入したネットワークシミュレータにより,フェットパイプネットワーク内のバッファリングなどの短時間効果を解析できることを示す。
  論文  参考訳（メタデータ） (2024-04-05T13:13:02Z)
• Toward a real-time TCP SYN Flood DDoS mitigation using Adaptive Neuro-Fuzzy classifier and SDN Assistance in Fog Computing [0.31318403497744784]
  本稿では,適応型ニューロファジィ推論システム(ANFIS)とSDN(Software Defined Networking)アシスタンス(FASA)を用いたフォグコンピューティングによるシンフラッドDDoS攻撃の軽減を提案する。 シミュレーションの結果、FASAシステムは精度、精度、リコール、F1スコアで他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2023-11-27T08:54:00Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• An Intelligent SDWN Routing Algorithm Based on Network Situational Awareness and Deep Reinforcement Learning [4.085916808788356]
  本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。 実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-12T14:18:09Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Scalable Traffic Signal Controls using Fog-Cloud Based Multiagent Reinforcement Learning [0.8258451067861933]
  この研究は、要求されるインフラの数を削減できるスケーラブルなTSCモデルを提案するための最近の研究に基づいている。 提案モデルの有効性を実証するため,ケーススタディを実施し,その結果に有望な結果が得られた。
  論文  参考訳（メタデータ） (2021-10-11T19:06:02Z)
• Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line and Off-policy Bandit Solutions [30.606518785629046]
  高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。 本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。 提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
  論文  参考訳（メタデータ） (2020-08-14T11:48:13Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。