論文の概要: CoLLMLight: Cooperative Large Language Model Agents for Network-Wide Traffic Signal Control

• arxiv url: http://arxiv.org/abs/2503.11739v1
• Date: Fri, 14 Mar 2025 15:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:34:30.435364
• Title: CoLLMLight: Cooperative Large Language Model Agents for Network-Wide Traffic Signal Control
• Title（参考訳）: CoLLMLight:ネットワーク側信号制御のための協調大規模言語モデルエージェント
• Authors: Zirui Yuan, Siqi Lai, Hao Liu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.0964925117958515
• License:
• Abstract: Traffic Signal Control (TSC) plays a critical role in urban traffic management by optimizing traffic flow and mitigating congestion. While Large Language Models (LLMs) have recently emerged as promising tools for TSC due to their exceptional problem-solving and generalization capabilities, existing approaches fail to address the essential need for inter-agent coordination, limiting their effectiveness in achieving network-wide optimization. To bridge this gap, we propose CoLLMLight, a cooperative LLM agent framework for TSC. Specifically, we first construct a structured spatiotemporal graph to capture real-time traffic dynamics and spatial relationships among neighboring intersections, enabling the LLM to reason about complex traffic interactions. Moreover, we introduce a complexity-aware reasoning mechanism that dynamically adapts reasoning depth based on real-time traffic conditions, ensuring optimal computational efficiency without sacrificing decision quality. Besides, we propose a fine-tuning strategy that leverages iterative simulation-driven data collection and environmental feedback to build a lightweight LLM tailored for cooperative TSC. Extensive experiments on both synthetic and real-world datasets demonstrate that CoLLMLight outperforms state-of-the-art methods in diverse traffic scenarios, showcasing its effectiveness, scalability, and robustness.
• Abstract（参考訳）: 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。 大規模言語モデル(LLM)は、最近、例外的な問題解決と一般化能力のために、TSCの有望なツールとして登場したが、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ず、ネットワーク全体の最適化を実現する上での有効性を制限している。 このギャップを埋めるために,我々は協調LLMエージェントフレームワークであるCoLLMLightを提案する。 具体的には、まず構造化時空間グラフを構築し、近隣の交差点間のリアルタイム交通動態と空間的関係を把握し、LLMが複雑な交通相互作用を推論できるようにする。 さらに、リアルタイムの交通条件に基づいて推論深度を動的に適応させ、決定品質を犠牲にすることなく最適な計算効率を確保できる複雑性を考慮した推論機構を導入する。 さらに、反復シミュレーション駆動型データ収集と環境フィードバックを活用して、協調型TLCに適した軽量LCMを構築するための微調整戦略を提案する。 合成と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、CoLLMLightはさまざまなトラフィックシナリオにおける最先端のメソッドよりも優れており、その有効性、スケーラビリティ、堅牢性を示している。

関連論文リスト

• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• 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)
• CoMAL: Collaborative Multi-Agent Large Language Models for Mixed-Autonomy Traffic [11.682456863110767]
  CoMALは、交通の流れを最適化するために、自動運転車間のコラボレーションによって、混在する自律交通問題に対処するために設計されたフレームワークである。 CoMALは大きな言語モデル上に構築されており、対話的な交通シミュレーション環境で動作する。
  論文  参考訳（メタデータ） (2024-10-18T10:53:44Z)
• Scalable Multi-Objective Optimization for Robust Traffic Signal Control in Uncertain Environments [7.504173535502228]
  本稿では,動的かつ不確実な都市環境におけるロバストな交通信号制御のための,スケーラブルな多目的最適化手法を提案する。 都市交通の不確実性に対処する適応ハイブリッド多目的最適化アルゴリズム(AHMOA)を提案する。 シミュレーションはマンハッタン、パリ、サンパウロ、イスタンブールなど様々な都市で行われている。
  論文  参考訳（メタデータ） (2024-09-20T10:42:16Z)
• 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)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• Real-Time Network-Level Traffic Signal Control: An Explicit Multiagent Coordination Method [9.761657423863706]
  交通信号の効率的な制御 (TSC) は, 都市交通渋滞の低減に最も有用な方法の1つである。 強化学習(RL)手法を適用した最近の取り組みは、トラフィック状態を信号決定にリアルタイムでマッピングすることでポリシーをクエリすることができる。 本稿では,適応的,リアルタイム,ネットワークレベルのTSCを満足する,EMCに基づくオンライン計画手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T04:08:09Z)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• 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)

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。