論文の概要: Large Language Models as Traffic Signal Control Agents: Capacity and
Opportunity
- arxiv url: http://arxiv.org/abs/2312.16044v1
- Date: Tue, 26 Dec 2023 13:17:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 15:14:50.783814
- Title: Large Language Models as Traffic Signal Control Agents: Capacity and
Opportunity
- Title(参考訳): 交通信号制御エージェントとしての大規模言語モデル:能力と機会
- Authors: Siqi Lai, Zhao Xu, Weijia Zhang, Hao Liu and Hui Xiong
- Abstract要約: 本稿では,交通信号制御タスクのための新しいアプローチ LLMLight を提案する。
LLMは、効率的なトラフィック管理のためのヒューマンライクな意思決定プロセスを実行する。
LLMは5つの現実世界のトラフィックデータセット間で、最先端(SOTA)または競合的な結果を達成する。
- 参考スコア(独自算出の注目度): 27.29109883009176
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic signal control is crucial for optimizing the efficiency of road
network by regulating traffic light phases. Existing research predominantly
focuses on heuristic or reinforcement learning (RL)-based methods, which often
lack transferability across diverse traffic scenarios and suffer from poor
interpretability. This paper introduces a novel approach, LLMLight, utilizing
large language models (LLMs) for traffic signal control tasks. By leveraging
LLMs' impressive generalization and zero-shot reasoning capabilities, LLMLight
executes a human-like decision-making process for efficient traffic management.
Specifically, the framework begins by composing task descriptions, current
traffic conditions, and prior knowledge into a prompt. Subsequently, we utilize
LLM's chain-of-thought (CoT) reasoning ability to identify the next traffic
signal phase, ensuring optimal efficiency in the road network. LLMLight
achieves state-of-the-art (SOTA) or competitive results across five real-world
traffic datasets. Notably, LLMLight showcases remarkable generalization,
interpretability, and zero-shot reasoning abilities, even without any training
for transportation management tasks. Our project is available at
https://github.com/usail-hkust/LLMTSCS.
- Abstract(参考訳): 交通信号の制御は,信号位相の制御による道路網の効率の最適化に不可欠である。
既存の研究は主にヒューリスティックまたは強化学習(RL)に基づく手法に重点を置いている。
本稿では,交通信号制御タスクに大規模言語モデル(LLM)を利用する新しいアプローチ LLMLight を提案する。
LLMLightは、LLMの印象的な一般化とゼロショット推論機能を活用することで、効率的なトラフィック管理のための人間ライクな意思決定プロセスを実行する。
具体的には、タスク記述、現在のトラフィック条件、事前知識をプロンプトに構成することから始まる。
その後、LLMのチェーン・オブ・シント(CoT)推論機能を利用して、次の信号位相を識別し、道路網の最適効率を確保する。
LLMLightは、5つの現実世界のトラフィックデータセットにわたる最先端(SOTA)または競合的な結果を達成する。
特に、LLMLightは、輸送管理タスクのトレーニングなしでも、顕著な一般化、解釈可能性、ゼロショット推論能力を示す。
私たちのプロジェクトはhttps://github.com/usail-hkust/llmtscsで利用可能です。
関連論文リスト
- Large Language Models (LLMs) as Traffic Control Systems at Urban Intersections: A New Paradigm [5.233512464561313]
本研究では,Large Language Models (LLM) をトラヒックコントローラとして利用することで,トラヒック制御システムに新たなアプローチを提案する。
この研究は、論理的推論、シーン理解、意思決定能力を利用してスループットを最適化し、リアルタイムで交通状況に基づいたフィードバックを提供する。
論文 参考訳(メタデータ) (2024-11-16T19:23:52Z) - Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。
近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。
我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文 参考訳(メタデータ) (2024-10-28T09:19:29Z) - A Little Help Goes a Long Way: Efficient LLM Training by Leveraging Small LMs [74.35290684163718]
大規模言語モデル(LLM)開発における最大の課題は、その面倒な事前トレーニングコストである。
本稿では,小言語モデル(SLM)を活用して,LLMの事前学習効率と品質を改善するための有望なパラダイムについて検討する。
論文 参考訳(メタデータ) (2024-10-24T14:31:52Z) - MoveLight: Enhancing Traffic Signal Control through Movement-Centric Deep Reinforcement Learning [13.369840354712021]
MoveLightは移動中心の深層強化学習を通じて都市交通管理を強化する新しい交通信号制御システムである。
詳細なリアルタイムデータと高度な機械学習技術を活用することで、MoveLightは従来の信号制御手法の限界を克服する。
論文 参考訳(メタデータ) (2024-07-24T14:17:16Z) - New Solutions on LLM Acceleration, Optimization, and Application [14.995654657013741]
大規模言語モデル (LLM) は、様々な応用において人間のような文章を解釈・生成する能力を持つ非常に強力な機器となっている。
しかし、LLMのサイズと複雑さの増大は、トレーニングとデプロイメントの両方において大きな課題をもたらしている。
これらの課題に対処するための最近の進歩と研究の方向性について概観する。
論文 参考訳(メタデータ) (2024-06-16T11:56:50Z) - Efficient Prompting for LLM-based Generative Internet of Things [88.84327500311464]
大規模言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示しており、最近、IoT(Internet of Things)アプリケーションにLLMの能力を統合することが研究の注目を集めている。
セキュリティ上の懸念から、多くの機関は最先端の商用LLMサービスへのアクセスを避け、ローカルネットワーク環境でのオープンソースLLMのデプロイと利用を必要としている。
本研究では,LLMを用いた生成IoT(Generative IoT)システムを提案する。
論文 参考訳(メタデータ) (2024-06-14T19:24:00Z) - LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments [3.7788636451616697]
本研究は,大規模言語モデルを交通信号制御システムに統合する革新的なアプローチを導入する。
LLMを知覚と意思決定ツールのスイートで強化するハイブリッドフレームワークが提案されている。
シミュレーションの結果から,交通環境の多種性に適応するシステムの有効性が示された。
論文 参考訳(メタデータ) (2024-03-13T08:41:55Z) - 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) - An Embarrassingly Simple Approach for LLM with Strong ASR Capacity [56.30595787061546]
我々は,音声基礎エンコーダと大規模言語モデル(LLM)を用いて,音声処理の分野で最も重要な課題の1つを解決することに注力する。
最近の研究は、音声エンコーダの出力を時間的に圧縮したり、プロジェクタのモーダルアライメントに対処したり、LLMのパラメータ効率の良い微調整を利用するといった複雑な設計をしている。
そこで本研究では,市販の音声エンコーダLLMと,トレーニング可能な唯一の線形プロジェクタの単純な構成がASRタスクに適しているのに対して,繊細な設計は必要ないことを発見した。
論文 参考訳(メタデータ) (2024-02-13T23:25:04Z) - LanguageMPC: Large Language Models as Decision Makers for Autonomous
Driving [87.1164964709168]
この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。
大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
論文 参考訳(メタデータ) (2023-10-04T17:59:49Z) - ModelLight: Model-Based Meta-Reinforcement Learning for Traffic Signal
Control [5.219291917441908]
本稿では,交通信号制御のためのモデルベースメタ強化学習フレームワーク(ModelLight)を提案する。
ModelLight内では、道路交差点のためのモデルのアンサンブルと最適化に基づくメタラーニング法を用いて、RLベースのトラヒックライト制御方式のデータ効率を改善する。
実世界のデータセットの実験では、ModelLightが最先端のトラヒックライト制御アルゴリズムより優れていることが示されている。
論文 参考訳(メタデータ) (2021-11-15T20:25:08Z)
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。
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。