論文の概要: Scalable Traffic Signal Controls using Fog-Cloud Based Multiagent
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2110.05564v1
- Date: Mon, 11 Oct 2021 19:06:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 13:16:03.517640
- Title: Scalable Traffic Signal Controls using Fog-Cloud Based Multiagent
Reinforcement Learning
- Title（参考訳）: フォグクラウドに基づくマルチエージェント強化学習を用いたスケーラブル交通信号制御
- Authors: Paul (Young Joun) Ha, Sikai Chen, Runjia Du, Samuel Labi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.8258451067861933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimizing traffic signal control (TSC) at intersections continues to pose a
challenging problem, particularly for large-scale traffic networks. It has been
shown in past research that it is feasible to optimize the operations of
individual TSC systems or a small number of such systems. However, it has been
computationally difficult to scale these solution approaches to large networks
partly due to the curse of dimensionality that is encountered as the number of
intersections increases. Fortunately, recent studies have recognized the
potential of exploiting advancements in deep and reinforcement learning to
address this problem, and some preliminary successes have been achieved in this
regard. However, facilitating such intelligent solution approaches may require
large amounts of infrastructural investments such as roadside units (RSUs) and
drones in order to ensure thorough connectivity across all intersections in
large networks, an investment that may be burdensome for agencies to undertake.
As such, this study builds on recent work to present a scalable TSC model that
may reduce the number of required enabling infrastructure. This is achieved
using graph attention networks (GATs) to serve as the neural network for deep
reinforcement learning, which aids in maintaining the graph topology of the
traffic network while disregarding any irrelevant or unnecessary information. A
case study is carried out to demonstrate the effectiveness of the proposed
model, and the results show much promise. The overall research outcome suggests
that by decomposing large networks using fog-nodes, the proposed fog-based
graphic RL (FG-RL) model can be easily applied to scale into larger traffic
networks.
- Abstract（参考訳）: 交差点での交通信号制御(tsc)の最適化は、特に大規模トラヒックネットワークにおいて問題となっている。
過去の研究では、個々のtscシステムや少数のシステムの運用を最適化することは可能であることが示されている。
しかし,交点数が増加するにつれて発生する次元の呪いもあって,これらの解法を大規模ネットワークに拡張することは計算的に困難である。
幸いなことに、近年の研究では、この問題に対処するために深層・強化学習の進歩を活用する可能性を認識しており、いくつかの予備的な成功が達成されている。
しかし、このようなインテリジェントなソリューションアプローチの促進には、大規模なネットワーク内のすべての交差点に徹底的な接続を確保するために、道路サイドユニット(rsus)やドローンのようなインフラ投資が必要となる可能性がある。
そこで本研究では,要求されるインフラストラクチャ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に,最近の研究を基盤にしている。
これはグラフアテンションネットワーク(gats)を使用して深層強化学習のニューラルネットワークとして機能し、無関係あるいは不要な情報を無視しながら、トラフィックネットワークのグラフトポロジの維持を支援する。
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,その結果は有望であることを示す。
その結果,フォグノードを用いて大規模ネットワークを分解することにより,フォグベースグラフィックRL(FG-RL)モデルを容易に大規模トラフィックネットワークに拡張できることが示唆された。
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) - Spectrum Sharing using Deep Reinforcement Learning in Vehicular Networks [0.14999444543328289]
本稿では、DQNモデルの有効性を実証し、スペクトル共有効率を向上させるためのいくつかの結果と分析を行った。
SARLモデルとMARLモデルの両方がV2V通信の成功率を示し、トレーニングが進むにつれてRLモデルの累積報酬が最大に達する。
論文 参考訳（メタデータ） (2024-10-16T12:59:59Z) - A Novel Reinforcement Learning Routing Algorithm for Congestion Control
in Complex Networks [0.0]
本稿では,最短経路アルゴリズムに基づく渋滞制御と経路長最適化という,強化学習を活用するルーティングアルゴリズムを提案する。
提案手法は,バラビ・アルベルトスケールフリーネットワークだけでなく,Watts-Strogatz (小世界) や Erd"os-R'enyi (ランダムネットワーク) などのネットワークモデルでも有効であることを示す。
論文 参考訳（メタデータ） (2023-12-30T18:21:13Z) - Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。
RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。
また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
論文 参考訳（メタデータ） (2023-12-18T18:16:30Z) - 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) - A Novel Multi-Agent Deep RL Approach for Traffic Signal Control [13.927155702352131]
都市ネットワークにおける複数の交通信号制御のための Friend-Deep Q-network (Friend-DQN) アプローチを提案する。
特に、複数のエージェント間の協調は状態-作用空間を減少させ、収束を加速させる。
論文 参考訳（メタデータ） (2023-06-05T08:20:37Z) - RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。
本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-11-17T11:06:29Z) - 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) - DDCNet: Deep Dilated Convolutional Neural Network for Dense Prediction [0.0]
受容場(ERF)とネットワーク内の空間的特徴の高分解能は、高分解能密度推定を提供することに不可欠である。
空間的特徴の解像度を高く保ちながら、より大きな受容場を提供できるネットワークアーキテクチャを設計するための体系的なアプローチを提案する。
論文 参考訳（メタデータ） (2021-07-09T23:15:34Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z) - IG-RL: Inductive Graph Reinforcement Learning for Massive-Scale Traffic
Signal Control [4.273991039651846]
適応的な交通信号制御のスケーリングには、状態と行動空間を扱う必要がある。
本稿では,グラフ畳み込みネットワークに基づくインダクティブグラフ強化学習(IG-RL)を紹介する。
我々のモデルは、新しい道路網、交通分布、交通体制に一般化することができる。
論文 参考訳（メタデータ） (2020-03-06T17:17:59Z)
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。