論文の概要: Efficient Pressure: Improving efficiency for signalized intersections
- arxiv url: http://arxiv.org/abs/2112.02336v1
- Date: Sat, 4 Dec 2021 13:49:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 15:09:03.903539
- Title: Efficient Pressure: Improving efficiency for signalized intersections
- Title（参考訳）: 効率的な圧力:信号交差点の効率向上
- Authors: Qiang Wu, Liang Zhang, Jun Shen, Linyuan L\"u, Bo Du, Jianqing Wu
- Abstract要約: 交通信号制御(TSC)の問題を解決するために,強化学習(RL)が注目されている。
既存のRLベースの手法は、計算資源の面でコスト効率が良くなく、従来の手法よりも堅牢ではないため、ほとんどデプロイされない。
我々は,RTLに基づくアプローチに基づいて,トレーニングを減らし,複雑さを低減したTSCの適応制御系を構築する方法を示す。
- 参考スコア（独自算出の注目度）: 24.917612761503996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since conventional approaches could not adapt to dynamic traffic conditions,
reinforcement learning (RL) has attracted more attention to help solve the
traffic signal control (TSC) problem. However, existing RL-based methods are
rarely deployed considering that they are neither cost-effective in terms of
computing resources nor more robust than traditional approaches, which raises a
critical research question: how to construct an adaptive controller for TSC
with less training and reduced complexity based on RL-based approach? To
address this question, in this paper, we (1) innovatively specify the traffic
movement representation as a simple but efficient pressure of vehicle queues in
a traffic network, namely efficient pressure (EP); (2) build a traffic signal
settings protocol, including phase duration, signal phase number and EP for
TSC; (3) design a TSC approach based on the traditional max pressure (MP)
approach, namely efficient max pressure (Efficient-MP) using the EP to capture
the traffic state; and (4) develop a general RL-based TSC algorithm template:
efficient Xlight (Efficient-XLight) under EP. Through comprehensive experiments
on multiple real-world datasets in our traffic signal settings' protocol for
TSC, we demonstrate that efficient pressure is complementary to traditional and
RL-based modeling to design better TSC methods. Our code is released on Github.
- Abstract（参考訳）: 従来の手法では動的な交通条件に適応できなかったため、信号制御(TSC)問題を解決するために強化学習(RL)が注目されている。
しかし、既存のRLベースの手法は、コンピューティングリソースの面でコスト効率が良くなく、従来のアプローチよりも堅牢でないことを考えると、ほとんどデプロイされない。
To address this question, in this paper, we (1) innovatively specify the traffic movement representation as a simple but efficient pressure of vehicle queues in a traffic network, namely efficient pressure (EP); (2) build a traffic signal settings protocol, including phase duration, signal phase number and EP for TSC; (3) design a TSC approach based on the traditional max pressure (MP) approach, namely efficient max pressure (Efficient-MP) using the EP to capture the traffic state; and (4) develop a general RL-based TSC algorithm template: efficient Xlight (Efficient-XLight) under EP.
tscのためのトラヒック信号設定プロトコルにおける複数の実世界のデータセットに関する包括的な実験を通じて、より優れたtscメソッドを設計するために、従来のrlベースのモデリングを補完する効率のよいプレッシャーを実証する。
私たちのコードはgithubでリリースされています。
関連論文リスト
- Reinforcement Learning for Adaptive Traffic Signal Control: Turn-Based and Time-Based Approaches to Reduce Congestion [2.733700237741334]
本稿では,交差点における信号処理の強化にReinforcement Learning(強化学習)を用いることについて検討する。
本稿では,リアルタイム待ち行列長に基づく信号の動的優先順位付けを行うターンベースエージェントと,交通条件に応じた信号位相長の調整を行うタイムベースエージェントの2つのアルゴリズムを紹介する。
シミュレーションの結果、両RLアルゴリズムは従来の信号制御システムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2024-08-28T12:35:56Z) - Adaptive traffic signal safety and efficiency improvement by multi objective deep reinforcement learning approach [0.0]
本研究では,多目的深部強化学習(DRL)技術を活用した適応交通信号制御(ATSC)の革新的手法を提案する。
提案手法は, 安全, 効率, 脱炭目標に対処しながら, 交差点における制御戦略を強化することを目的としている。
論文 参考訳（メタデータ） (2024-08-01T13:10:41Z) - 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) - CycLight: learning traffic signal cooperation with a cycle-level
strategy [10.303270722832924]
本研究では,ネットワークレベル適応交通信号制御(NATSC)システムのための新しいサイクルレベル深部強化学習(RL)手法であるCycLightを紹介する。
ステップバイステップの決定にフォーカスする従来のRLベースのトラフィックコントローラとは異なり、CycLightはサイクルレベルの戦略を採用し、サイクル長を最適化し、同時に分割する。
論文 参考訳（メタデータ） (2024-01-16T05:28:12Z) - Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning
Framework for Congestion Control in Tactical Environments [53.08686495706487]
本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。
衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
論文 参考訳（メタデータ） (2023-06-27T16:15:15Z) - 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) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳（メタデータ） (2023-02-02T18:27:20Z) - Fair and Efficient Distributed Edge Learning with Hybrid Multipath TCP [62.81300791178381]
無線による分散エッジ学習のボトルネックは、コンピューティングから通信へと移行した。
DEL用の既存のTCPベースのデータネットワークスキームは、アプリケーションに依存しず、アプリケーション層要求に応じて調整を施さない。
DELのためのモデルベースと深部強化学習(DRL)に基づくMP TCPを組み合わせたハイブリッドマルチパスTCP(MP TCP)を開発した。
論文 参考訳（メタデータ） (2022-11-03T09:08:30Z) - Leveraging Queue Length and Attention Mechanisms for Enhanced Traffic
Signal Control Optimization [3.0309252269809264]
本稿では、待ち行列長を効率的な状態表現として利用する交通信号制御(TSC)について述べる。
複数の実世界のデータセットに関する総合的な実験は、我々のアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2021-12-30T09:24:09Z) - Expression is enough: Improving traffic signal control with advanced
traffic state representation [24.917612761503996]
フレキシブルで簡便な新手法であるアドバンストマックスプレッシャー(Advanced-MP)を提案する。
我々はまた、ATSと現在のRLアプローチを組み合わせたRLベースのアルゴリズムテンプレートAdvanced-XLightを開発し、「Advanced-MPLight」と「Advanced-CoLight」の2つのRLアルゴリズムを生成する。
複数の実世界のデータセットに関する総合的な実験によると、(1)Advanced-MPは、デプロイに効率的で信頼性の高いベースラインメソッドよりも優れており、(2)Advanced-MPLightとAdvanced-CoLightは、新しい最先端を実現することができる。
論文 参考訳（メタデータ） (2021-12-19T10:28:39Z) - Remote Multilinear Compressive Learning with Adaptive Compression [107.87219371697063]
MultiIoT Compressive Learning (MCL)は、多次元信号に対する効率的な信号取得および学習パラダイムである。
MCLモデルにそのような機能を実現するための新しい最適化手法を提案する。
論文 参考訳（メタデータ） (2021-09-02T19:24:03Z)
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。