論文の概要: Deep Reinforcement Learning-based Intelligent Traffic Signal Controls
with Optimized CO2 emissions
- arxiv url: http://arxiv.org/abs/2310.13129v1
- Date: Thu, 19 Oct 2023 19:54:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 01:38:31.353706
- Title: Deep Reinforcement Learning-based Intelligent Traffic Signal Controls
with Optimized CO2 emissions
- Title（参考訳）: CO2排出を最適化した深層強化学習に基づくインテリジェント交通信号制御
- Authors: Pedram Agand, Alexey Iskrov, Mo Chen
- Abstract要約: 交通ネットワークは、人間の健康や環境に悪影響を及ぼし、交通渋滞に寄与する準最適制御政策の課題に直面している。
文献における適応的な信号制御装置はいくつかあるが、それらの比較性能について限定的な研究がなされている。
EcoLightは,CO2排出量を削減するだけでなく,旅行時間などの指標で競合する結果が得られる強化学習アルゴリズムの報酬形成手法である。
- 参考スコア（独自算出の注目度）: 6.851243292023835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, transportation networks face the challenge of sub-optimal control
policies that can have adverse effects on human health, the environment, and
contribute to traffic congestion. Increased levels of air pollution and
extended commute times caused by traffic bottlenecks make intersection traffic
signal controllers a crucial component of modern transportation infrastructure.
Despite several adaptive traffic signal controllers in literature, limited
research has been conducted on their comparative performance. Furthermore,
despite carbon dioxide (CO2) emissions' significance as a global issue, the
literature has paid limited attention to this area. In this report, we propose
EcoLight, a reward shaping scheme for reinforcement learning algorithms that
not only reduces CO2 emissions but also achieves competitive results in metrics
such as travel time. We compare the performance of tabular Q-Learning, DQN,
SARSA, and A2C algorithms using metrics such as travel time, CO2 emissions,
waiting time, and stopped time. Our evaluation considers multiple scenarios
that encompass a range of road users (trucks, buses, cars) with varying
pollution levels.
- Abstract（参考訳）: 近年、交通ネットワークは、人間の健康や環境に悪影響を及ぼし、交通渋滞に寄与する準最適制御政策の課題に直面している。
交通渋滞による大気汚染の増加と通勤時間の延長により、交差点信号管制官は近代交通インフラの重要な構成要素となっている。
文学における適応交通信号制御装置はいくつかあるが、比較性能に関する限られた研究がなされている。
さらに、二酸化炭素(CO2)排出量が世界的な問題であるにもかかわらず、文献はこの領域に限定的に注意を払っている。
本稿では,CO2排出量を削減できるだけでなく,旅行時間などの指標で競合的な結果が得られる強化学習アルゴリズムの報酬形成手法であるEcoLightを提案する。
我々は,旅行時間,CO2排出量,待ち時間,停止時間などの指標を用いて,表型Q-Learning,DQN,SARSA,A2Cアルゴリズムの性能を比較した。
本評価では, 道路利用者(トラック, バス, 自動車)の様々な汚染レベルを考慮した複数のシナリオについて検討する。
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) - Mitigating Metropolitan Carbon Emissions with Dynamic Eco-driving at Scale [3.5052652317043846]
我々は、二酸化炭素排出量を減らす新たな機会として、半自律車の採用の増加を考えています。
交通シナリオと車両排出の複雑さにより、包括的影響分析は手に入らなかった。
我々は,米国三大都市を横断する信号化交差点6,011箇所で,ダイナミックエコドライブの詳細な影響評価を行う。
論文 参考訳（メタデータ） (2024-08-10T18:23:59Z) - Differentiable Predictive Control for Large-Scale Urban Road Networks [1.3414298287600035]
輸送は二酸化炭素の排出に大きく貢献している。
本稿では,微分予測制御(DPC)を用いた新しい交通ネットワーク制御手法を提案する。
提案手法では,計算時間を最大4桁削減し,トラヒック性能を最大37%向上させる。
論文 参考訳（メタデータ） (2024-06-14T22:42:02Z) - 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) - Airport take-off and landing optimization through genetic algorithms [55.2480439325792]
本研究は, 航空機の運転における汚染問題に対処し, ゲート割り当てと滑走路スケジューリングを同時に最適化することに焦点を当てた。
本研究は,航空機の離陸・着陸時の燃料燃焼による汚染を最小化するための,革新的な遺伝的アルゴリズムに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-02-29T14:53:55Z) - 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) - Automated Quantification of Traffic Particulate Emissions via an Image
Analysis Pipeline [0.0]
交通画像を利用して車両数を求める統合機械学習パイプラインの提案と実装を行う。
シンガポールのロケーションで取得した交通画像のオープンソースデータセット上で,このパイプラインの有用性と精度を検証する。
路側粒子放出は、得られた車両数と0.93の相関係数とをよく相関させ、この方法が粒子放出の迅速かつ効果的な相関として有効であることを示す。
論文 参考訳（メタデータ） (2022-11-24T07:48:29Z) - How Routing Strategies Impact Urban Emissions [2.436885905080739]
ナビゲーションアプリは、ルーティングアルゴリズムを使用して、ユーザの希望する目的地に到達するための最良のパスを提案する。
われわれの研究は、個々のニーズを満たすとともに、都市の幸福を増すかもしれない次世代のルーティング原則を設計するための第一歩だ。
論文 参考訳（メタデータ） (2022-07-04T14:46:08Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - Simulating the Effects of Eco-Friendly Transportation Selections for Air
Pollution Reduction [1.9968351444772683]
地図検索ログを用いて,エコフレンドリーな輸送モード選択の有効性をシミュレートし,大気汚染を低減する手法を提案する。
CO2排出量の総量は9.23%削減できるが、実際の平均走行時間は9.96%削減できる。
論文 参考訳（メタデータ） (2021-09-10T12:30:32Z) - 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)
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。