論文の概要: A Traffic Light Dynamic Control Algorithm with Deep Reinforcement Learning Based on GNN Prediction

• arxiv url: http://arxiv.org/abs/2009.14627v1
• Date: Tue, 29 Sep 2020 01:09:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 06:45:52.554025
• Title: A Traffic Light Dynamic Control Algorithm with Deep Reinforcement Learning Based on GNN Prediction
• Title（参考訳）: GNN予測に基づく深部強化学習を用いた交通光動的制御アルゴリズム
• Authors: Xiaorong Hu, Chenguang Zhao, Gang Wang
• Abstract要約: GPlightはグラフニューラルネットワーク(GNN)と統合された深層強化学習アルゴリズムである GPlightでは、グラフニューラルネットワーク(GNN)が、交差点における将来の短期的トラフィックフローを予測するために最初に使用される。
• 参考スコア（独自算出の注目度）: 5.585321463602587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Today's intelligent traffic light control system is based on the current road traffic conditions for traffic regulation. However, these approaches cannot exploit the future traffic information in advance. In this paper, we propose GPlight, a deep reinforcement learning (DRL) algorithm integrated with graph neural network (GNN) , to relieve the traffic congestion for multi-intersection intelligent traffic control system. In GPlight, the graph neural network (GNN) is first used to predict the future short-term traffic flow at the intersections. Then, the results of traffic flow prediction are used in traffic light control, and the agent combines the predicted results with the observed current traffic conditions to dynamically control the phase and duration of the traffic lights at the intersection. Experiments on both synthetic and two real-world data-sets of Hangzhou and New-York verify the effectiveness and rationality of the GPlight algorithm.
• Abstract（参考訳）: 今日のインテリジェントな交通灯制御システムは、交通規制の現在の道路交通条件に基づいている。 しかし,これらの手法は将来的な交通情報を利用することはできない。 本稿では,グラフニューラルネットワーク(GNN)と統合された深部強化学習(DRL)アルゴリズムであるGPlightを提案する。 GPlightでは、グラフニューラルネットワーク(GNN)が、交差点における将来の短期的トラフィックフローを予測するために最初に使用される。 そして、交通信号制御において、交通流予測結果を使用し、予測結果と観測された現在の交通条件を組み合わせ、交差点における交通信号の位相と持続時間を動的に制御する。 HangzhouとNew-Yorkの合成および2つの実世界のデータセットの実験は、GPlightアルゴリズムの有効性と合理性を検証する。

関連論文リスト

• Towards Multi-agent Reinforcement Learning based Traffic Signal Control through Spatio-temporal Hypergraphs [19.107744041461316]
  交通信号制御システム(TSCS)は、インテリジェントな交通管理に不可欠なものであり、効率的な車両の流れを育んでいる。 従来のアプローチでは、道路網を標準的なグラフに単純化することが多い。 本稿では,インテリジェントトラフィック制御を実現するための新しいTSCSフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-17T02:46:18Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Leveraging Neo4j and deep learning for traffic congestion simulation & optimization [0.0]
  渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。 また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
  論文  参考訳（メタデータ） (2023-04-01T01:23:10Z)
• TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
  インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。 本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:12:17Z)
• Deep Reinforcement Learning for Traffic Light Control in Intelligent Transportation Systems [19.318117948342362]
  道路網におけるリアルタイム交通状況に基づいて信号機を適応的に制御するための,深部強化学習 (DRL) は有望なアプローチである。 2つのシナリオにおいて、交通信号制御問題に対して2つのDRLアルゴリズムを用いる。 単一の道路交差点とグリッド道路ネットワークの両方で配信されたポリシーは、DRLアルゴリズムのスケーラビリティを示している。
  論文  参考訳（メタデータ） (2023-02-04T02:49:12Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• ELMOPP: An Application of Graph Theory and Machine Learning to Traffic Light Coordination [0.0]
  本稿では, Pseudoflow Prediction (ELMOPP) アルゴリズムによるエッジ負荷管理と最適化について述べる。 ELMOPPは、過去のデータとトラフィックパターンを使用して近い将来に予測して、そのリアルタイムな決定を通知しようと試みている。
  論文  参考訳（メタデータ） (2021-05-08T20:57:29Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。