論文の概要: Boosted Genetic Algorithm using Machine Learning for traffic control
optimization
- arxiv url: http://arxiv.org/abs/2103.08317v1
- Date: Thu, 11 Mar 2021 00:39:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 14:01:28.067760
- Title: Boosted Genetic Algorithm using Machine Learning for traffic control
optimization
- Title（参考訳）: トラヒック制御最適化のための機械学習を用いたブースト遺伝的アルゴリズム
- Authors: Tuo Mao and Adriana-Simona Mihaita and Fang Chen and Hai L. Vu
- Abstract要約: 本稿では,信号化都市交差点における交通信号タイミングの最適化手法を提案する。
高速かつ信頼性の高い決定を生成することを目的として、高速実行機械学習(ML)アルゴリズムと信頼できる遺伝的アルゴリズム(GA)を組み合わせる。
新たなBGA-MLは,元のGAアルゴリズムよりもはるかに高速であり,非リカレントインシデント条件下でうまく適用可能であることを示す。
- 参考スコア（独自算出の注目度）: 4.642759477873937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic control optimization is a challenging task for various traffic
centers around the world and the majority of existing approaches focus only on
developing adaptive methods under normal (recurrent) traffic conditions.
Optimizing the control plans when severe incidents occur still remains an open
problem, especially when a high number of lanes or entire intersections are
affected.
This paper aims at tackling this problem and presents a novel methodology for
optimizing the traffic signal timings in signalized urban intersections, under
non-recurrent traffic incidents. With the purpose of producing fast and
reliable decisions, we combine the fast running Machine Learning (ML)
algorithms and the reliable Genetic Algorithms (GA) into a single optimization
framework. As a benchmark, we first start with deploying a typical GA algorithm
by considering the phase duration as the decision variable and the objective
function to minimize the total travel time in the network. We fine tune the GA
for crossover, mutation, fitness calculation and obtain the optimal parameters.
Secondly, we train various machine learning regression models to predict the
total travel time of the studied traffic network, and select the best
performing regressor which we further hyper-tune to find the optimal training
parameters. Lastly, we propose a new algorithm BGA-ML combining the GA
algorithm and the extreme-gradient decision-tree, which is the best performing
regressor, together in a single optimization framework. Comparison and results
show that the new BGA-ML is much faster than the original GA algorithm and can
be successfully applied under non-recurrent incident conditions.
- Abstract（参考訳）: 交通制御の最適化は、世界中の様々な交通センターにとって難しい課題であり、既存のアプローチの大半は、通常の(繰り返し)交通条件下で適応的な方法の開発にのみ焦点をあてている。
重大なインシデントが発生した場合の制御計画の最適化はまだ未解決の問題であり、特に多くのレーンや交差点が影響を受ける場合である。
本稿では,この課題に取り組むことを目的として,信号化都市交差点における交通信号タイミングの最適化手法を提案する。
高速かつ信頼性の高い意思決定のために、高速実行の機械学習(ML)アルゴリズムと信頼できる遺伝的アルゴリズム(GA)を単一の最適化フレームワークに統合します。
ベンチマークとして,まず,位相持続時間を決定変数として考慮し,ネットワーク全体の移動時間を最小限に抑える目的関数として,典型的なgaアルゴリズムをデプロイすることから始める。
交叉、変異、適合度計算のためにgaを微調整し、最適なパラメータを得る。
第2に,研究対象の交通ネットワークの総走行時間を予測するために,機械学習回帰モデルをトレーニングし,最適なトレーニングパラメータを求めるために,さらにハイパーチューンを行う最適な回帰器を選択する。
最後に、GAアルゴリズムと最もパフォーマンスの高いレグレッサーである極度勾配決定木を1つの最適化フレームワークで組み合わせた新しいアルゴリズムBGA-MLを提案します。
比較と結果から,新しいBGA-MLは元のGAアルゴリズムよりもはるかに高速であり,非リカレントインシデント条件下でうまく適用可能であることが示された。
関連論文リスト
- Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。
WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
論文 参考訳（メタデータ） (2024-07-18T02:46:06Z) - Accelerating genetic optimization of nonlinear model predictive control
by learning optimal search space size [0.8057006406834467]
本稿では,最適空間サイズを学習することで,NMPCの最適化を高速化する手法を提案する。
提案手法を2つの非線形システムで比較し,他の2つのNMPC手法と比較した。
論文 参考訳（メタデータ） (2023-05-14T08:10:49Z) - Accelerated First-Order Optimization under Nonlinear Constraints [73.2273449996098]
我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。
これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
論文 参考訳（メタデータ） (2023-02-01T08:50:48Z) - Travel time optimization on multi-AGV routing by reverse annealing [0.966840768820136]
本稿では,旅行時間を最小限に抑えるため,旅行経路を制御するための定式化を提案する。
仮想プラントにおけるシミュレーションによる定式化を検証し,より高速な配電の有効性を検証した。
本研究は,マルチAGVシステムの適用において,一般問題解決器による最適化の利用を拡大する。
論文 参考訳（メタデータ） (2022-04-25T17:01:56Z) - Fast and computationally efficient generative adversarial network
algorithm for unmanned aerial vehicle-based network coverage optimization [1.2853186701496802]
移動ネットワークにおける動的な交通需要の課題は、無人航空機をベースとした移動セルに対処されている。
将来,無人航空機の膨大な可能性を考えると,カバー範囲最適化のための新しいアルゴリズムを提案する。
提案アルゴリズムは,一意の多層和プーリング損失関数を持つ条件付き生成逆ニューラルネットワークに基づいて実装された。
論文 参考訳（メタデータ） (2022-03-25T12:13:21Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳（メタデータ） (2021-06-08T15:54:44Z) - Surrogate-assisted cooperative signal optimization for large-scale
traffic networks [6.223837701805064]
本研究では,サロゲート支援協調信号最適化(SCSO)手法を提案する。
ニューマン・ファスト・アルゴリズムを用いて,分散アルゴリズムを分解器,代理モデル,具体的SCSOアルゴリズムとして修正した。
その有効性と有効性を評価するため、実際の交通ネットワークに基づいて、クロスロードとTジャンクションを含む大規模交通ネットワークを生成する。
論文 参考訳（メタデータ） (2021-03-03T01:03:57Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z) - A Hybrid Multi-Objective Carpool Route Optimization Technique using
Genetic Algorithm and A* Algorithm [0.0]
本研究では,カープール問題に対する最適経路を求めるためのGA-A*ハイブリッドアルゴリズムを提案する。
得られた経路は、ピックアップ/ドロップコストだけでなく、旅行・出先距離を最小化し、サービス提供者の利益を最大化する。
提案アルゴリズムはコルカタのソルトレイク地域に実装されている。
論文 参考訳（メタデータ） (2020-07-11T14:13:20Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳（メタデータ） (2020-01-22T08:51:05Z)
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。