論文の概要: EvolveSignal: A Large Language Model Powered Coding Agent for Discovering Traffic Signal Control Algorithms
- arxiv url: http://arxiv.org/abs/2509.03335v1
- Date: Wed, 03 Sep 2025 14:10:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.542861
- Title: EvolveSignal: A Large Language Model Powered Coding Agent for Discovering Traffic Signal Control Algorithms
- Title（参考訳）: EvolveSignal:交通信号制御アルゴリズムの探索のための大規模言語モデル駆動符号化エージェント
- Authors: Leizhen Wang, Peibo Duan, Hao Wang, Yue Wang, Jian Xu, Nan Zheng, Zhenliang Ma,
- Abstract要約: 本稿では,大規模言語モデルを用いた符号化エージェントであるEvolveSignalを紹介し,新しい信号制御アルゴリズムを自動検出する。
信号化された交差点の実験では、発見されたアルゴリズムがWebsterのベースラインを上回り、平均遅延を20.1%削減し、平均停止時間を47.1%削減した。
この研究は、交通信号制御におけるアルゴリズム設計にAIを活用し、輸送工学によるプログラム合成をブリッジすることで、新たな研究の方向性を開く。
- 参考スコア（独自算出の注目度）: 13.348290529064222
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In traffic engineering, the fixed-time traffic signal control remains widely used for its low cost, stability, and interpretability. However, its design depends on hand-crafted formulas (e.g., Webster) and manual re-timing by engineers to adapt to demand changes, which is labor-intensive and often yields suboptimal results under heterogeneous or congested conditions. This paper introduces the EvolveSignal, a large language models (LLMs) powered coding agent to automatically discover new traffic signal control algorithms. We formulate the problem as program synthesis, where candidate algorithms are represented as Python functions with fixed input-output structures, and iteratively optimized through external evaluations (e.g., a traffic simulator) and evolutionary search. Experiments on a signalized intersection demonstrate that the discovered algorithms outperform Webster's baseline, reducing average delay by 20.1% and average stops by 47.1%. Beyond performance, ablation and incremental analyses reveal that EvolveSignal modifications-such as adjusting cycle length bounds, incorporating right-turn demand, and rescaling green allocations-can offer practically meaningful insights for traffic engineers. This work opens a new research direction by leveraging AI for algorithm design in traffic signal control, bridging program synthesis with transportation engineering.
- Abstract（参考訳）: 交通工学において、固定時間信号制御はその低コスト、安定性、解釈可能性のために広く使われている。
しかし、その設計は手作りの式(例えば、Webster)と、需要の変化に適応するためにエンジニアの手作業による調整に依存しており、労働集約的であり、不均一または混雑した条件下では、しばしば準最適結果が得られる。
本稿では,大規模言語モデル(LLM)を用いた符号化エージェントであるEvolveSignalを紹介し,新しい信号制御アルゴリズムを自動検出する。
プログラム合成では,アルゴリズムをPython関数として固定された入出力構造で表現し,外部評価(例えば交通シミュレータ)や進化探索によって反復的に最適化する。
信号化された交差点の実験では、発見されたアルゴリズムがWebsterのベースラインを上回り、平均遅延を20.1%削減し、平均停止時間を47.1%削減した。
パフォーマンスだけでなく、アブレーションやインクリメンタル分析によって、EvolveSignalの修正 – サイクル長境界の調整、右折需要の導入、グリーンアロケーションの再スケーリング – が、交通技術者にとって事実上有意義な洞察を与える可能性があることが明らかになった。
この研究は、交通信号制御におけるアルゴリズム設計にAIを活用し、輸送工学によるプログラム合成をブリッジすることで、新たな研究の方向性を開く。
関連論文リスト
- Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [55.78505925402658]
車両ルーティング問題(VRP)は、トラベリングセールスパーソン問題の延長であり、進化的最適化における基本的なNPハードチャレンジである。
遺伝的アルゴリズムによってさらに最適化された初期解を迅速に生成するために、強化学習エージェント(事前インスタンスで訓練された)を使用した新しい最適化フレームワークを導入する。
例えば、EARLIは1秒以内に500カ所の車両ルーティングを処理し、同じソリューション品質の現在のソルバよりも10倍高速で、リアルタイムやインタラクティブなルーティングのようなアプリケーションを可能にする。
論文 参考訳（メタデータ） (2025-04-08T15:21:01Z) - Reinforcement Learning for Adaptive Traffic Signal Control: Turn-Based and Time-Based Approaches to Reduce Congestion [2.733700237741334]
本稿では,交差点における信号処理の強化にReinforcement Learning(強化学習)を用いることについて検討する。
本稿では,リアルタイム待ち行列長に基づく信号の動的優先順位付けを行うターンベースエージェントと,交通条件に応じた信号位相長の調整を行うタイムベースエージェントの2つのアルゴリズムを紹介する。
シミュレーションの結果、両RLアルゴリズムは従来の信号制御システムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2024-08-28T12:35:56Z) - A Deep Reinforcement Learning Approach for Adaptive Traffic Routing in
Next-gen Networks [1.1586742546971471]
次世代ネットワークは、トラフィックダイナミクスに基づいたネットワーク構成を自動化し、適応的に調整する必要がある。
交通政策を決定する伝統的な手法は、通常は手作りのプログラミング最適化とアルゴリズムに基づいている。
我々は適応的なトラフィックルーティングのための深層強化学習(DRL)アプローチを開発する。
論文 参考訳（メタデータ） (2024-02-07T01:48:29Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。
問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。
他のTE加速方式と比較して、Tealは需要を6～32%増やし、197～625倍のスピードアップを達成している。
論文 参考訳（メタデータ） (2022-10-25T04:46:30Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - ELMOPP: An Application of Graph Theory and Machine Learning to Traffic
Light Coordination [0.0]
本稿では, Pseudoflow Prediction (ELMOPP) アルゴリズムによるエッジ負荷管理と最適化について述べる。
ELMOPPは、過去のデータとトラフィックパターンを使用して近い将来に予測して、そのリアルタイムな決定を通知しようと試みている。
論文 参考訳（メタデータ） (2021-05-08T20:57:29Z) - Surrogate-assisted cooperative signal optimization for large-scale
traffic networks [6.223837701805064]
本研究では,サロゲート支援協調信号最適化(SCSO)手法を提案する。
ニューマン・ファスト・アルゴリズムを用いて,分散アルゴリズムを分解器,代理モデル,具体的SCSOアルゴリズムとして修正した。
その有効性と有効性を評価するため、実際の交通ネットワークに基づいて、クロスロードとTジャンクションを含む大規模交通ネットワークを生成する。
論文 参考訳（メタデータ） (2021-03-03T01:03:57Z) - 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) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳（メタデータ） (2020-01-22T08:51:05Z)
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。