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
- 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) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳(メタデータ) (2022-08-17T03:00:24Z) - An Intelligent Deterministic Scheduling Method for Ultra-Low Latency
Communication in Edge Enabled Industrial Internet of Things [19.277349546331557]
時間知覚ネットワーク (TSN) は, 決定論的スケジューリングによる低遅延通信を実現するために最近研究されている。
非衝突理論に基づく決定論的スケジューリング (NDS) 法を提案し, 時間に敏感な流れに対する超低遅延通信を実現する。
実験の結果,NDS/DQSは決定論的超低レイテンシサービスを十分にサポートし,帯域幅の有効利用を保証できることがわかった。
論文 参考訳(メタデータ) (2022-07-17T16:52:51Z) - Inferring untrained complex dynamics of delay systems using an adapted
echo state network [0.0]
任意の遅延を伴う系の物理に適応可能なエコー状態ネットワークを提案する。
ネットワークのトポロジの簡単な適応により、より短く、より長い遅延で現れる訓練されていない特徴を推測することができる。
論文 参考訳(メタデータ) (2021-11-05T19:09:50Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳(メタデータ) (2021-10-22T13:25:57Z) - 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。