論文の概要: CityLight: A Neighborhood-inclusive Universal Model for Coordinated City-scale Traffic Signal Control

• arxiv url: http://arxiv.org/abs/2406.02126v4
• Date: Wed, 06 Aug 2025 04:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.251234
• Title: CityLight: A Neighborhood-inclusive Universal Model for Coordinated City-scale Traffic Signal Control
• Title（参考訳）: CityLight: 都市規模交通信号制御のための周辺包括的ユニバーサルモデル
• Authors: Jinwei Zeng, Chao Yu, Xinyi Yang, Wenxuan Ao, Qianyue Hao, Jian Yuan, Yong Li, Yu Wang, Huazhong Yang,
• Abstract要約: CityLightは、2つの主要なモジュールで得られた表現に基づいて普遍的なポリシーを学ぶ。 97から13,952の交差点を含む5つの都市規模のデータセットの実験により、CityLightの有効性が確認された。
• 参考スコア（独自算出の注目度）: 23.5766158697276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: City-scale traffic signal control (TSC) involves thousands of heterogeneous intersections with varying topologies, making cooperative decision-making across intersections particularly challenging. Given the prohibitive computational cost of learning individual policies for each intersection, some researchers explore learning a universal policy to control each intersection in a decentralized manner, where the key challenge is to construct a universal representation method for heterogeneous intersections. However, existing methods are limited to universally representing information of heterogeneous ego intersections, neglecting the essential representation of influence from their heterogeneous neighbors. Universally incorporating neighborhood information is nontrivial due to the intrinsic complexity of traffic flow interactions, as well as the challenge of modeling collective influences from neighbor intersections. To address these challenges, we propose CityLight, which learns a universal policy based on representations obtained with two major modules: a Neighbor Influence Encoder to explicitly model neighbor's influence with specified traffic flow relation and connectivity to the ego intersection; a Neighbor Influence Aggregator to attentively aggregate the influence of neighbors based on their mutual competitive relations. Extensive experiments on five city-scale datasets, ranging from 97 to 13,952 intersections, confirm the efficacy of CityLight, with an average throughput improvement of 11.68% and a lift of 22.59% for generalization.
• Abstract（参考訳）: 都市規模の交通信号制御(TSC)は、様々なトポロジを持つ何千もの異種交差点を包含し、交差点間の協調的な意思決定を特に困難にしている。 ある研究者は、各交差点の個別のポリシーを学習する禁止的な計算コストを考慮し、各交差点を分散的に制御する普遍的なポリシーを学習し、そこでは異種交差点の普遍的な表現方法を構築することが重要な課題である。 しかし、既存の手法は、異質なエゴ交叉の情報を普遍的に表現することに限定されており、その異質な隣人からの影響の本質的な表現を無視している。 交通流の相互作用が本質的に複雑であることや、近隣の交差点からの集団的影響をモデル化することの難しさから、近隣情報を普遍的に組み込むことは簡単ではない。 これらの課題に対処するため,CityLight は2つの主要なモジュールで得られた表現に基づいて普遍的なポリシーを学習し,近隣の影響を特定の交通流関係とエゴ交差点との接続性で明示的にモデル化する Neighbor Influence Encoder と,近隣影響アグリゲータが相互競合関係に基づいて隣人の影響を注意深く集約する Neighbor Influence Aggregator を提案する。 97から13,952の交差点を含む5つの都市規模のデータセットに対する大規模な実験により、CityLightの有効性が確認され、平均スループットは11.68%、平均スループットは22.59%向上した。

関連論文リスト

• Federated Hierarchical Reinforcement Learning for Adaptive Traffic Signal Control [5.570882985800125]
  マルチエージェント強化学習(MARL)は、適応的な交通信号制御(ATSC)を約束している。 MARLは広範なデータ共有と通信要求のために制約に直面している。 我々はATSCのための階層型統合強化学習(HFRL)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T23:02:59Z)
• CoLLMLight: Cooperative Large Language Model Agents for Network-Wide Traffic Signal Control [7.0964925117958515]
  交通信号制御(TSC)は,交通流の最適化と混雑緩和によって都市交通管理において重要な役割を担っている。 既存のアプローチでは、エージェント間の調整に必要な問題に対処できない。 TSCのための協調LLMエージェントフレームワークであるCoLLMLightを提案する。
  論文  参考訳（メタデータ） (2025-03-14T15:40:39Z)
• Unicorn: A Universal and Collaborative Reinforcement Learning Approach Towards Generalizable Network-Wide Traffic Signal Control [13.106167353085878]
  適応交通信号制御 (ATSC) は, 混雑の低減, スループットの最大化, 都市部における移動性の向上に不可欠である。 パラメータ共有型マルチエージェント強化学習(MARL)の最近の進歩により、大規模同種ネットワークにおける複雑な動的流れのスケーラブルで適応的な最適化が大幅に向上した。 We present Unicorn, a universal and collaborative MARL framework designed for efficient and adaptable network-wide ATSC。
  論文  参考訳（メタデータ） (2025-03-14T15:13:42Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Neighbor-Aware Reinforcement Learning for Mixed Traffic Optimization in Large-scale Networks [1.9413548770753521]
  本稿では,交差する交差点を横断する混在トラフィックを調整するための強化学習フレームワークを提案する。 我々の重要な貢献は、RVがネットワーク間のバランスの取れた分散を維持することができる隣り合わせの報酬メカニズムである。 その結果,最先端の単一断面制御方式と比較して平均待ち時間を39.2%削減できることがわかった。
  論文  参考訳（メタデータ） (2024-12-17T07:35:56Z)
• TransferLight: Zero-Shot Traffic Signal Control on any Road-Network [0.6274767633959003]
  TransferLightは、ロードネットワーク全体の堅牢な一般化のために設計された新しいフレームワークである。 階層的で、異質で、有向的なグラフニューラルネットワークアーキテクチャは、トラフィックの粒度の動態を効果的に捉えます。 我々は、ゼロショットを任意の道路ネットワークに再トレーニングせずにスケールする、単一の重み付けポリシーを開発した。
  論文  参考訳（メタデータ） (2024-12-12T20:52:12Z)
• 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)
• CoSLight: Co-optimizing Collaborator Selection and Decision-making to Enhance Traffic Signal Control [14.134128926121711]
  既存の作業は主に近隣の交差点を協力者として選択している。 我々は,共同作業者選択を学習すべき第2の方針として分離することを提案する。 具体的には、リアルタイムで選択ポリシーは、フェーズレベルと交差点レベルの特徴に応じて、最適なチームメイトを適応的に選択する。
  論文  参考訳（メタデータ） (2024-05-27T13:26:59Z)
• UniTSA: A Universal Reinforcement Learning Framework for V2X Traffic Signal Control [4.505547437110232]
  交通渋滞は、効果的な交通信号制御(TSC)システムの開発を要求する都市部において持続的な問題である。 そこで本研究では,V2X(Vanger-to-Everything)環境での汎用的なRTLベースのTSCフレームワークを提案する。 様々な交差構造を扱う能力の向上を図ったRLベースのフレームワークを実現するため,信号光制御システムのための新しいトラフィック状態拡張手法が開発された。
  論文  参考訳（メタデータ） (2023-12-08T15:18:40Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)
• SocialLight: Distributed Cooperation Learning towards Network-Wide Traffic Signal Control [7.387226437589183]
  SocialLightは交通信号制御のための新しいマルチエージェント強化学習手法である。 地元におけるエージェントの個人的限界貢献を推定することにより、協力的な交通規制政策を学習する。 我々は,2つの交通シミュレータの標準ベンチマークにおける最先端の交通信号制御手法に対して,トレーニングネットワークをベンチマークした。
  論文  参考訳（メタデータ） (2023-04-20T12:41:25Z)
• RLPG: Reinforcement Learning Approach for Dynamic Intra-Platoon Gap Adaptation for Highway On-Ramp Merging [14.540226579203207]
  小隊は、非常に近い距離で一緒に移動する車両のグループを指す。 近年の研究では、高規格道路と高架道路の合流時の交通流に対する極小小小高架区間の影響が明らかにされている。 本稿では,各小隊員の小隊内ギャップを適応的に調整し,交通流を最大化する新しい補強学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-07T07:33:54Z)
• Real-time Cooperative Vehicle Coordination at Unsignalized Road Intersections [7.860567520771493]
  信号のない道路交差点での協調作業は、連結車両と自動車両の安全運転交通スループットを向上させることを目的としている。 我々はモデルフリーなマルコフ決定プロセス(MDP)を導入し、深層強化学習フレームワークにおける双遅延Deep Deterministic Policy(TD3)に基づく戦略によりそれに取り組む。 提案手法は, 準定常調整シナリオにおいて, ほぼ最適性能を達成し, 現実的な連続流れの制御を大幅に改善できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-03T02:56:02Z)
• Integrated Decision and Control at Multi-Lane Intersections with Mixed Traffic Flow [6.233422723925688]
  本稿では,混在交通流を伴う複雑な交差点を扱うための学習に基づくアルゴリズムを提案する。 まず、学習過程における緑と赤の異なる速度モデルについて検討し、有限状態マシンを用いて異なるモードの光変換を扱う。 次に, 車両, 信号機, 歩行者, 自転車にそれぞれ異なる種類の距離制約を設計し, 制約された最適制御問題をフォーミュレートする。
  論文  参考訳（メタデータ） (2021-08-30T07:55:32Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• 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。

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。