Fugu-MT 論文翻訳(概要): Urban traffic congestion control: a DeePC change

論文の概要: Urban traffic congestion control: a DeePC change

arxiv url: http://arxiv.org/abs/2311.09851v1
Date: Thu, 16 Nov 2023 12:26:55 GMT
ステータス: 処理完了
システム内更新日: 2023-11-17 14:19:21.122595
Title: Urban traffic congestion control: a DeePC change
Title（参考訳）: 都市交通渋滞制御 : DeePC の変更
Authors: Alessio Rimoldi, Carlo Cenedese, Alberto Padoan, Florian D\"orfler, John Lygeros
Abstract要約: 本稿では,動的な交通信号を用いた都市交通制御において,DeePCアルゴリズムを利用する。予備的な結果は、DeePCが旅行時間やCO$排出など、さまざまな主要な指標で既存のアプローチよりも優れていることを示している。
参考スコア（独自算出の注目度）: 3.0023888160895473
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Urban traffic congestion remains a pressing challenge in our rapidly expanding cities, despite the abundance of available data and the efforts of policymakers. By leveraging behavioral system theory and data-driven control, this paper exploits the DeePC algorithm in the context of urban traffic control performed via dynamic traffic lights. To validate our approach, we consider a high-fidelity case study using the state-of-the-art simulation software package Simulation of Urban MObility (SUMO). Preliminary results indicate that DeePC outperforms existing approaches across various key metrics, including travel time and CO$_2$ emissions, demonstrating its potential for effective traffic management
Abstract（参考訳）: 都市交通渋滞は、利用可能なデータの豊富さと政策立案者の努力にもかかわらず、急速に拡大している都市では依然として差し迫った課題である。本稿では,行動システム理論とデータ駆動制御を活用することで,動的な交通信号による都市交通制御の文脈でDeePCアルゴリズムを利用する。本手法を検証するために,都市モビリティシミュレーションソフトウェアパッケージシミュレーション(sumo)を用いて,忠実度の高いケーススタディを提案する。予備的な結果は、DeePCが旅行時間やCO$2$排出など、様々な主要な指標で既存のアプローチよりも優れており、効果的な交通管理の可能性を示していることを示している。

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)
GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文参考訳（メタデータ） (2024-08-19T08:23:38Z)
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)
Agent-based Simulation Evaluation of CBD Tolling: A Case Study from New York City [7.847915546266008]
MATSimは、エージェントレベルでの顕微鏡的挙動を提供するシミュレーションプラットフォームである。ニューヨーク市マンハッタン・セントラル・ビジネス・ディストリクト(NYC)の超粒度交通ネットワークモデルを用いたケーススタディを行う。その結果、テスト対象の料金プログラムは、個人車両の容積を規制し、公共交通機関の利用を促進することが示唆された。
論文参考訳（メタデータ） (2024-02-16T17:09:49Z)
Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
論文参考訳（メタデータ） (2023-08-11T13:35:52Z)
AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文参考訳（メタデータ） (2022-03-05T10:54:05Z)
Self-organising Urban Traffic control on micro-level using Reinforcement Learning and Agent-based Modelling [0.0]
この研究は、強化学習とルールベースエージェントを組み合わせた自己組織化マイクロレベル制御によるトラフィックフローの最適化に対処する。その結果, 局所環境センサによる個別の意思決定と再学習により, マイクロレベル車両ナビゲーション制御の展開により, 移動効率が向上することが示唆された。
論文参考訳（メタデータ） (2022-02-24T18:10:42Z)
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)
A Deep Reinforcement Learning Approach for Traffic Signal Control Optimization [14.455497228170646]
非効率な信号制御手法は、交通渋滞やエネルギー浪費などの多くの問題を引き起こす可能性がある。本稿では,アクター・クリティカル・ポリシー・グラデーション・アルゴリズムを拡張し,マルチエージェント・ディープ・決定性ポリシー・グラデーション(MADDPG)法を提案する。
論文参考訳（メタデータ） (2021-07-13T14:11:04Z)
MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
論文参考訳（メタデータ） (2021-01-04T03:06:08Z)

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。