論文の概要: DiffLight: A Partial Rewards Conditioned Diffusion Model for Traffic Signal Control with Missing Data

• arxiv url: http://arxiv.org/abs/2410.22938v1
• Date: Wed, 30 Oct 2024 11:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:23:48.358224
• Title: DiffLight: A Partial Rewards Conditioned Diffusion Model for Traffic Signal Control with Missing Data
• Title（参考訳）: DiffLight: 欠測データを用いた交通信号制御のための部分逆条件拡散モデル
• Authors: Hanyang Chen, Yang Jiang, Shengnan Guo, Xiaowei Mao, Youfang Lin, Huaiyu Wan,
• Abstract要約: 本稿では,データ伝送シナリオ下での交通信号制御(TSC)のための条件拡散モデルDiffLightを紹介する。 具体的には、部分的リワード条件付き拡散(PRCD)モデルを利用して、トラフィックデータ計算と意思決定という2つの重要なサブタスクを統合する。 さらに,通信性能の向上と制御性能向上を目的とした拡散通信機構(DCM)を提案する。
• 参考スコア（独自算出の注目度）: 19.66417274718945
• License:
• Abstract: The application of reinforcement learning in traffic signal control (TSC) has been extensively researched and yielded notable achievements. However, most existing works for TSC assume that traffic data from all surrounding intersections is fully and continuously available through sensors. In real-world applications, this assumption often fails due to sensor malfunctions or data loss, making TSC with missing data a critical challenge. To meet the needs of practical applications, we introduce DiffLight, a novel conditional diffusion model for TSC under data-missing scenarios in the offline setting. Specifically, we integrate two essential sub-tasks, i.e., traffic data imputation and decision-making, by leveraging a Partial Rewards Conditioned Diffusion (PRCD) model to prevent missing rewards from interfering with the learning process. Meanwhile, to effectively capture the spatial-temporal dependencies among intersections, we design a Spatial-Temporal transFormer (STFormer) architecture. In addition, we propose a Diffusion Communication Mechanism (DCM) to promote better communication and control performance under data-missing scenarios. Extensive experiments on five datasets with various data-missing scenarios demonstrate that DiffLight is an effective controller to address TSC with missing data. The code of DiffLight is released at https://github.com/lokol5579/DiffLight-release.
• Abstract（参考訳）: 交通信号制御(TSC)における強化学習の適用は、広く研究され、顕著な成果を上げている。 しかし、TSCの既存の研究のほとんどは、周囲のすべての交差点からの交通データが、センサーを通して完全にかつ継続的に利用できると仮定している。 現実世界のアプリケーションでは、センサーの故障やデータ損失によってこの仮定は失敗することが多く、データ不足によるTSCは重要な課題である。 実運用アプリケーションのニーズを満たすため,オフライン環境におけるデータ欠落シナリオ下での TSC の条件拡散モデル DiffLight を導入する。 具体的には、部分的リワード条件付き拡散(PRCD)モデルを利用して、トラフィックデータ計算と意思決定という2つの重要なサブタスクを統合することで、不足した報酬が学習プロセスに干渉することを防ぐ。 一方、交差点間の空間的時間的依存関係を効果的に把握するために、時空間トランスフォーマー(STFormer)アーキテクチャを設計する。 さらに,DCM(Diffusion Communication Mechanism)を提案する。 さまざまなデータ損失シナリオを持つ5つのデータセットに対する大規模な実験は、DiffLightがデータ不足に対処する効果的なコントローラであることを示している。 DiffLightのコードはhttps://github.com/lokol5579/DiffLight-releaseで公開されている。

関連論文リスト

• FUSED-Net: Enhancing Few-Shot Traffic Sign Detection with Unfrozen Parameters, Pseudo-Support Sets, Embedding Normalization, and Domain Adaptation [2.111102681327218]
  本稿では,交通信号検出のための高速RCNN「FUSED-Net」を提案する。 従来のアプローチとは異なり、トレーニング中にすべてのパラメータを凍結しないようにし、限られたサンプルからFUSED-Netを学習できるようにします。 1ショット,3ショット,5ショット,10ショットのシナリオでそれぞれ2.4倍,2.2倍,1.5倍,1.3倍の改善を実現しています。
  論文  参考訳（メタデータ） (2024-09-23T09:34:42Z)
• SCaRL- A Synthetic Multi-Modal Dataset for Autonomous Driving [0.0]
  本稿では、自律運転ソリューションのトレーニングと検証を可能にするために、合成生成された新しいマルチモーダルデータセットであるSCaRLを提案する。 SCaRLはCARLA Simulatorに基づく大規模なデータセットであり、多様な動的シナリオとトラフィック条件のためのデータを提供する。
  論文  参考訳（メタデータ） (2024-05-27T10:31:26Z)
• Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data [55.70071704247794]
  統合センシング・通信(ISAC)は6G通信において重要であり、再構成可能なインテリジェントサーフェス(RIS)の急速な発展によって促進される 本稿では,複数の帯域にまたがるマルチモーダルCSIインジケータを協調的に活用し,クロスドメイン方式で追跡機能をモデル化するX2Trackフレームワークを提案する。 X2Trackの下では、トランスフォーマーニューラルネットワークと逆学習技術に基づいて、トラッキングエラーを最小限に抑える効率的なディープラーニングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-10T08:04:27Z)
• A Fully Data-Driven Approach for Realistic Traffic Signal Control Using Offline Reinforcement Learning [18.2541182874636]
  現実的な交通信号制御のための完全データ駆動・シミュレータフリーフレームワークを提案する。 我々は、確立されたトラフィックフロー理論と機械学習を組み合わせることで、粗いトラフィックデータから報酬信号を推測する。 従来のRLベースラインやオフラインのRLベースラインよりも優れた性能を実現し,実世界の適用性も向上した。
  論文  参考訳（メタデータ） (2023-11-27T15:29:21Z)
• DataLight: Offline Data-Driven Traffic Signal Control [9.393196900855648]
  Reinforcement Learning (RL) は、交通信号制御(TSC)の課題に対処するための有望なソリューションとして登場した。 この研究は、DataLightと呼ばれる革新的なオフラインデータ駆動アプローチを導入している。 DataLightは、車両の速度情報をキャプチャすることで、効果的な状態表現と報酬関数を利用する。
  論文  参考訳（メタデータ） (2023-03-20T02:02:50Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• 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)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)
• Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images [7.053891669775769]
  我々は,GAN(Generative Adversarial Network)に基づく交通センサデータ計算フレームワーク(TGAN)を開発した。 本研究では,GASF(Gramian Angular Summation Field)と呼ばれる新しい時間依存符号化手法を開発した。 本研究は,提案モデルにより,平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) をベンチマークデータセットの最先端モデルと比較することにより,トラフィックデータ計算精度を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-05-05T19:14:02Z)

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。