論文の概要: Urban traffic dynamic rerouting framework: A DRL-based model with fog-cloud architecture

• arxiv url: http://arxiv.org/abs/2110.05532v1
• Date: Mon, 11 Oct 2021 18:15:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 13:16:29.266250
• Title: Urban traffic dynamic rerouting framework: A DRL-based model with fog-cloud architecture
• Title（参考訳）: 都市交通動的リルーティングフレームワーク : フォグクラウドアーキテクチャを用いたdrlベースモデル
• Authors: Runjia Du, Sikai Chen, Jiqian Dong, Tiantian Chen, Xiaowen Fu, Samuel Labi
• Abstract要約: 本研究では,GAQ(Graph Attention Network - Deep Q Learning)とEBkSP(Entropy Based k Shortest Path)を組み合わせた2段階モデルを提案する。 まず、GAQは、各道路と霧のエリアの交通状況を分析し、その周辺地域と周辺地域の情報に基づいて道路指標を割り当てる。 第2に、EBkSPは車両の優先度と経路人気に基づいて各車両に経路を割り当てる。
• 参考スコア（独自算出の注目度）: 0.7046417074932257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Past research and practice have demonstrated that dynamic rerouting framework is effective in mitigating urban traffic congestion and thereby improve urban travel efficiency. It has been suggested that dynamic rerouting could be facilitated using emerging technologies such as fog-computing which offer advantages of low-latency capabilities and information exchange between vehicles and roadway infrastructure. To address this question, this study proposes a two-stage model that combines GAQ (Graph Attention Network - Deep Q Learning) and EBkSP (Entropy Based k Shortest Path) using a fog-cloud architecture, to reroute vehicles in a dynamic urban environment and therefore to improve travel efficiency in terms of travel speed. First, GAQ analyzes the traffic conditions on each road and for each fog area, and then assigns a road index based on the information attention from both local and neighboring areas. Second, EBkSP assigns the route for each vehicle based on the vehicle priority and route popularity. A case study experiment is carried out to investigate the efficacy of the proposed model. At the model training stage, different methods are used to establish the vehicle priorities, and their impact on the results is assessed. Also, the proposed model is tested under various scenarios with different ratios of rerouting and background (non-rerouting) vehicles. The results demonstrate that vehicle rerouting using the proposed model can help attain higher speed and reduces possibility of severe congestion. This result suggests that the proposed model can be deployed by urban transportation agencies for dynamic rerouting and ultimately, to reduce urban traffic congestion.
• Abstract（参考訳）: 過去の研究では,都市交通渋滞を緩和し,都市交通効率を向上させるために動的再帰フレームワークが有効であることを示した。 低レイテンシ能力と車両と道路インフラ間の情報交換の利点を提供するフォグコンピュートのような新興技術を用いて動的リルーチンを促進できることが示唆されている。 そこで本研究では,霧クラウドアーキテクチャを用いてGAQ(Graph Attention Network - Deep Q Learning)とEBkSP(Entropy Based k Shortest Path)を組み合わせた2段階モデルを提案する。 まず、gaqは、各道路および各霧地域における交通状況を分析し、次に、各地域及び周辺地域からの注意情報に基づいて、道路指標を割り当てる。 第2に、EBkSPは車両の優先度と経路人気に基づいて各車両に経路を割り当てる。 提案モデルの有効性を検討するために,ケーススタディ実験を行った。 モデルトレーニング段階では、車両の優先順位を確立するために異なる方法が使用され、結果への影響を評価する。 また,提案モデルでは,車種別と車種別(車種別)の比率の異なる様々なシナリオで試験を行う。 以上の結果から,提案モデルを用いた車両再走行は,より高速かつ激しい渋滞の可能性を低減できることが示された。 この結果は,提案モデルが都市交通機関によって動的な経路変更のために展開され,最終的には都市交通渋滞を低減できることを示唆している。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data [0.0]
  本研究では,機械学習アルゴリズムと実交通情報を組み合わせた都市移動性向上手法を提案する。 ニューヨーク市の黄色いタクシー旅行のデータを用いて,旅行時間と渋滞解析の予測モデルを構築した。 本研究は、高度データ駆動方式による都市渋滞の低減と交通効率の向上を目的とした継続的な取り組みに寄与する。
  論文  参考訳（メタデータ） (2024-10-07T16:16:49Z)
• 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)
• Deep Reinforcement Learning to Maximize Arterial Usage during Extreme Congestion [4.934817254755007]
  本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。 エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。 エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
  論文  参考訳（メタデータ） (2023-05-16T16:53:27Z)
• Adaptive Road Configurations for Improved Autonomous Vehicle-Pedestrian Interactions using Reinforcement Learning [2.362412515574206]
  本研究では,ROW合成の強化学習(RL)手法について検討する。 道路網構成の動的制御を個別に行うために,集中型パラダイムと分散学習パラダイムを実装した。 実験結果から,提案アルゴリズムは交通流効率を向上し,歩行者により多くの空間を割り当てる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-03-22T03:42:39Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• An ASP Framework for Efficient Urban Traffic Optimization [0.0]
  本稿では,数百台の車両による大規模道路網における交通流を効率的にシミュレートし,最適化する枠組みを提案する。 このフレームワークは、Answer Set Programming (ASP)エンコーディングを利用して、ネットワーク内の車両の動きを正式に記述する。 これにより、ネットワーク内の車両の経路を最適化し、関連するメトリクスの幅を減らすことができる。
  論文  参考訳（メタデータ） (2022-08-05T10:50:38Z)
• 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)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• Traffic Modelling and Prediction via Symbolic Regression on Road Sensor Data [0.8602553195689513]
  本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。 提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
  論文  参考訳（メタデータ） (2020-02-14T16:03:04Z)

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。