論文の概要: Generalized Multi-hop Traffic Pressure for Heterogeneous Traffic Perimeter Control
- arxiv url: http://arxiv.org/abs/2409.00753v2
- Date: Fri, 17 Jan 2025 16:37:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-20 13:57:01.902525
- Title: Generalized Multi-hop Traffic Pressure for Heterogeneous Traffic Perimeter Control
- Title（参考訳）: 不均一交通周波制御のための一般化マルチホップ交通圧力
- Authors: Xiaocan Li, Xiaoyu Wang, Ilia Smirnov, Scott Sanner, Baher Abdulhai,
- Abstract要約: 周辺制御(PC)は、都市部における渋滞による交通ネットワーク容量の喪失を防止する。
均質なPCでは、保護領域への全てのアクセスポイントが同一のインフローを持つことができる。
我々は、この新しいマルチホップ圧力を利用して、許容された総流入量を再分配できる2段階階層制御方式を定式化する。
- 参考スコア（独自算出の注目度）: 24.687845741167884
- License:
- Abstract: Perimeter control (PC) prevents loss of traffic network capacity due to congestion in urban areas. Homogeneous PC allows all access points to a protected region to have identical permitted inflow. However, homogeneous PC performs poorly when the congestion in the protected region is heterogeneous (e.g., imbalanced demand) since the homogeneous PC does not consider specific traffic conditions around each perimeter intersection. When the protected region has spatially heterogeneous congestion, one needs to modulate the perimeter inflow rate to be higher near low-density regions and vice versa for high-density regions. A na\"ive approach is to leverage 1-hop traffic pressure to measure traffic condition around perimeter intersections, but such metric is too spatially myopic for PC. To address this issue, we formulate multi-hop downstream pressure grounded on Markov chain theory, which ``looks deeper'' into the protected region beyond perimeter intersections. In addition, we formulate a two-stage hierarchical control scheme that can leverage this novel multi-hop pressure to redistribute the total permitted inflow provided by a pre-trained deep reinforcement learning homogeneous control policy. Experimental results show that our heterogeneous PC approaches leveraging multi-hop pressure significantly outperform homogeneous PC in scenarios where the origin-destination flows are highly imbalanced with high spatial heterogeneity. Moveover, our approach is shown to be robust against turning ratio uncertainties by a sensitivity analysis.
- Abstract（参考訳）: 周辺制御(PC)は、都市部における渋滞による交通ネットワーク容量の喪失を防止する。
均質なPCでは、保護領域への全てのアクセスポイントが同一のインフローを持つことができる。
しかし、同種PCは、各周辺交差点周辺の特定交通条件を考慮していないため、保護領域の混雑が不均一(例えば不均衡需要)である場合、不均質PCは不均一である。
保護領域が空間的にヘテロジニアスな混雑状態にある場合,低密度領域付近で,高密度領域では周囲の流入速度を変調する必要がある。
na\" なアプローチは、1ホップの交通圧力を利用して周囲の交差点付近の交通状況を測定するが、そのような距離はPCにとってあまりにも空間的なミオピックである。
この問題に対処するために、マルコフ連鎖理論に基づくマルチホップ下流圧力を定式化し、これは「より深いように見える」が、近距離交点を超えた保護領域に現れる。
さらに、この新しいマルチホップ圧力を利用した2段階階層制御方式を定式化し、事前訓練された深層強化学習均質制御ポリシによって提供される総流入量を再分配する。
実験結果から, マルチホップ圧力を利用した異種PCのアプローチは, 原点決定フローと空間的不均一度の高い場合において, 相同性PCを著しく上回ることがわかった。
また, 本手法は感度解析により, 旋回比の不確実性に対して頑健であることが示された。
関連論文リスト
- Multi-hop Upstream Anticipatory Traffic Signal Control with Deep Reinforcement Learning [24.687845741167884]
交通信号制御のコーディネーションは,都市ネットワークにおける混雑管理に不可欠である。
我々の研究はマルコフ連鎖理論に基づく新しい概念、すなわちテクティットマルチホップ上流圧力を導入している。
この遠視的かつコンパクトなメトリクスは、深層強化学習エージェントにマルチホップアップストリームキューをプリエンプティブにクリアするように通知する。
論文 参考訳（メタデータ） (2024-11-10T16:28:42Z) - Networked Communication for Mean-Field Games with Function Approximation and Empirical Mean-Field Estimation [59.01527054553122]
分散エージェントは、経験的システムの単一かつ非エポゾディックな実行から平均フィールドゲームにおける平衡を学ぶことができる。
既存の設定に関数近似を導入し,Munchausen Online Mirror Descent 方式で描画する。
また, エージェントが局所的な周辺地域に基づいて, グローバルな経験分布を推定できる新しいアルゴリズムも提供する。
論文 参考訳（メタデータ） (2024-08-21T13:32:46Z) - Perimeter Control with Heterogeneous Metering Rates for Cordon Signals: A Physics-Regularized Multi-Agent Reinforcement Learning Approach [12.86346901414289]
過飽和環境下での都市道路網の制御に対処するための周辺制御(PC)戦略が提案されている。
本稿では,MARL(Multi-Agent Reinforcement Learning)に基づく交通信号制御フレームワークを活用し,PC問題を分解する。
MARLフレームワークの物理正則化手法は,分散コードン信号制御装置がグローバルネットワークの状態を認識していることを確実にするために提案される。
論文 参考訳（メタデータ） (2023-08-24T13:51:16Z) - Large-Scale Traffic Signal Control by a Nash Deep Q-network Approach [7.23135508361981]
本稿では,完全集中型とMARLの両アプローチの弱点を緩和する,非政治的な深いQ-Network (OPNDQN) アルゴリズムを提案する。
OPNDQNの主な利点の1つはマルチエージェントマルコフ過程の非定常性を緩和することである。
平均キュー長,エピソードトレーニング報酬,平均待ち時間の観点から,既存のMARLアプローチよりもOPNDQNの方が優位であることを示す。
論文 参考訳（メタデータ） (2023-01-02T12:58:51Z) - Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。
最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
論文 参考訳（メタデータ） (2022-09-16T22:09:53Z) - Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive
Privacy Analysis and Beyond [57.10914865054868]
垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。
我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
論文 参考訳（メタデータ） (2022-07-19T05:47:30Z) - Large Random Arrowhead Matrices: Multifractality, Semi-Localization, and
Protected Transport in Disordered Quantum Spins Coupled to a Cavity [0.0]
我々は、空洞モードに結合した不均一に拡張された量子エミッタの最小モデルである対角的障害を持つ大きなランダムな矢印ハミルトニアンの正確な解を提供する。
我々は、暗黒状態が、混乱したシステムにおける長距離輸送に大きく貢献できることを示す。
論文 参考訳（メタデータ） (2021-05-18T11:25:12Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z) - Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous
Vehicles and Multi-Agent RL [63.52264764099532]
本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。
この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
論文 参考訳（メタデータ） (2020-10-30T22:06:05Z) - Congested Urban Networks Tend to Be Insensitive to Signal Settings:
Implications for Learning-Based Control [14.121892144198084]
我々は,密度が増加するにつれて,平均的なネットワークフローが信号制御方針から独立する傾向にあることを示す。
この性質は, 密集条件下での訓練では, 深層強化学習法が有効でないことを示している。
論文 参考訳（メタデータ） (2020-08-21T18:55:11Z) - Public Bayesian Persuasion: Being Almost Optimal and Almost Persuasive [57.47546090379434]
i) 任意の状態空間, (ii) 任意の行動空間, (iii) 任意の送信者のユーティリティ関数を用いて, 一般の状況下での公衆の説得問題を考察する。
任意の公的な説得問題に対して準多項式時間ビクテリア近似アルゴリズムを提案し、特定の設定でQPTASを出力する。
論文 参考訳（メタデータ） (2020-02-12T18:59:18Z)
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。