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
- LC-LLM: Explainable Lane-Change Intention and Trajectory Predictions with Large Language Models [48.46007039539533]
本稿では,Large Language Models (LLM) の強い推論能力と自己説明能力を活用する,説明可能なレーン変更予測モデルを提案する。
大規模高次元データセットに対する実験により,車線変化予測タスクにおけるLC-LLMの優れた性能と解釈性を示した。
論文 参考訳(メタデータ) (2024-03-27T08:34:55Z) - LLM-Assisted Light: Leveraging Large Language Model Capabilities for
Human-Mimetic Traffic Signal Control in Complex Urban Environments [4.0041437050249895]
本研究では,大規模言語モデル(LLM)を交通信号制御(TSC)システムに統合する革新的な手法を提案する。
具体的には、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を提案する。
シミュレーションの結果から,追加のトレーニングを必要とせず,交通環境の多種性に適応するシステムの有効性が確認された。
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) - How Can LLM Guide RL? A Value-Based Approach [68.55316627400683]
強化学習(Reinforcement Learning, RL)は、将来の行動方針をフィードバックで改善することにより、シーケンシャルな意思決定問題の事実上の標準的実践となった。
大規模言語モデル(LLM)の最近の発展は、言語理解と生成において印象的な能力を示したが、探索と自己改善能力に欠けていた。
我々はLINVITというアルゴリズムを開発し、LLMガイダンスを値ベースRLの正規化因子として組み込んで学習に必要なデータ量を大幅に削減する。
論文 参考訳(メタデータ) (2024-02-25T20:07:13Z) - 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) - Traffic Signal Control Using Lightweight Transformers: An
Offline-to-Online RL Approach [6.907105812732423]
我々は,オフラインで容易にアクセス可能なデータセットからポリシーを学習可能な,軽量な決定変換方式DTLightを提案する。
オフラインデータセット上で純粋に事前トレーニングされたDTLightは、ほとんどのシナリオで最先端のオンラインRLベースのメソッドより優れている。
実験の結果、オンラインの微調整により、最高のオンラインRLベースラインメソッドよりもDTLightのパフォーマンスが42.6%向上することが示された。
論文 参考訳(メタデータ) (2023-12-12T23:21:57Z) - 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) - FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large
Language Models in Federated Learning [70.38817963253034]
本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。
我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。
本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
論文 参考訳(メタデータ) (2023-09-01T09:40:36Z) - 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) - Back to Basics: Deep Reinforcement Learning in Traffic Signal Control [3.2880869992413255]
本稿では、自己学習信号に対する強化学習(RL)アプローチの基礎的前提について再検討する。
本稿では、ロバストな性能と、目に見えないトラフィックフローに対する優れた一般化を提供する選択の組み合わせであるRLightを提案する。
実世界のHangzhouトラフィックデータセットを用いた評価によると、RLightは最先端のルールベースおよび深層強化学習アルゴリズムより優れている。
論文 参考訳(メタデータ) (2021-09-15T09:36:23Z) - GeneraLight: Improving Environment Generalization of Traffic Signal
Control via Meta Reinforcement Learning [35.351323110536924]
本稿では,Wasserstein生成逆数ネットワークに基づく新しいトラフィックフロー生成手法を提案し,十分な多種多様な品質のトラフィックフローを生成する。
GeneraLightは、フロークラスタリングとモデルに依存しないメタラーニングのアイデアを組み合わせることで、一般化のパフォーマンスを向上する。
論文 参考訳(メタデータ) (2020-09-17T04:14:28Z)
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。