論文の概要: Quantifying Distribution Shift in Traffic Signal Control with Histogram-Based GEH Distance

• arxiv url: http://arxiv.org/abs/2511.13785v1
• Date: Sun, 16 Nov 2025 11:05:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.719959
• Title: Quantifying Distribution Shift in Traffic Signal Control with Histogram-Based GEH Distance
• Title（参考訳）: ヒストグラムに基づくGEH距離を用いた交通信号制御における分布変化の定量化
• Authors: Federico Taschin, Ozan K. Tonguz,
• Abstract要約: 本稿では,交通シナリオを需要ヒストグラムとして表現し,分散シフトを定量化する手法を提案する。 NEMAアクティベートコントローラと強化学習コントローラの両方を用いて,20のシミュレーションシナリオに対するアプローチを検証する。 全体として、この手法は、以前公表した手法よりも分散シフトによる性能劣化を予測できる。
• 参考スコア（独自算出の注目度）: 0.6961253535504978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic signal control algorithms are vulnerable to distribution shift, where performance degrades under traffic conditions that differ from those seen during design or training. This paper introduces a principled approach to quantify distribution shift by representing traffic scenarios as demand histograms and comparing them with a GEH-based distance function. The method is policy-independent, interpretable, and leverages a widely used traffic engineering statistic. We validate the approach on 20 simulated scenarios using both a NEMA actuated controller and a reinforcement learning controller (FRAP++). Results show that larger scenario distances consistently correspond to increased travel time and reduced throughput, with particularly strong explanatory power for learning-based control. Overall, this method can predict performance degradation under distribution shift better than previously published techniques. These findings highlight the utility of the proposed framework for benchmarking, training regime design, and monitoring in adaptive traffic signal control.
• Abstract（参考訳）: 信号制御アルゴリズムは、設計や訓練で見られるものと異なる交通条件下での性能が低下する分散シフトに対して脆弱である。 本稿では,交通シナリオを需要ヒストグラムとして表現し,GEHに基づく距離関数と比較することにより,分散シフトを定量化する手法を提案する。 この方法は、ポリシーに依存しず、解釈可能であり、広く使われている交通工学統計を活用している。 NEMAアクティベートコントローラと強化学習コントローラ(FRAP++)の両方を用いて,20のシミュレーションシナリオに対するアプローチを検証する。 その結果,より大きなシナリオ距離は旅行時間の増加とスループットの低下に一貫して対応し,特に学習ベース制御における説明力は強いことがわかった。 全体として、この手法は、以前公表した手法よりも分散シフトによる性能劣化を予測できる。 これらの知見は,適応的な交通信号制御におけるベンチマーク,トレーニング体制設計,監視のためのフレームワークの有用性を浮き彫りにした。

関連論文リスト

• Network-Level Vehicle Delay Estimation at Heterogeneous Signalized Intersections [4.534054317956599]
  本研究では,様々な交差点を横断する車両遅延を推定するためのドメイン適応(DA)フレームワークを提案する。 新たなDAモデルであるGradient Boosting with Balanced Weighting (GBBW)は、ターゲットドメインとの類似性に基づいてソースデータを重み付けする。 8つの最先端ML回帰モデルと7つのインスタンスベースのDA手法で性能を評価する。
  論文  参考訳（メタデータ） (2025-10-01T05:19:50Z)
• Reinforcement Learning Based Traffic Signal Design to Minimize Queue Lengths [15.439906983758808]
  本稿では、RL(Reinforcement Learning)を活用して全信号位相の待ち行列長を最小化する適応型TSCフレームワークを提案する。 提案アルゴリズムは,都市交通シミュレータ(SUMO)を用いて実装されている。 最も優れた構成は、従来のWebster法と比較して平均キュー長を約29%削減する。
  論文  参考訳（メタデータ） (2025-09-26T01:23:30Z)
• Enhancing Traffic Signal Control through Model-based Reinforcement Learning and Policy Reuse [0.9995933996287355]
  マルチエージェント強化学習(MARL)は交通信号制御(TSC)において有意な可能性を示した 現在のMARLベースの手法は、訓練中に使用する固定された交通パターンと道路網条件により、一般化が不十分な場合が多い。 この制限により、新しいトラフィックシナリオへの適応性が低下し、高い再トレーニングコストと複雑なデプロイメントが発生します。 我々はPLightとPRLightの2つのアルゴリズムを提案する。PLightはモデルに基づく強化学習アプローチを採用し、事前定義されたソースドメイントラフィックシナリオを用いて制御ポリシーと環境モデルを事前訓練する。PRLightはさらに、事前学習されたPLightエージェントの類似性に基づいて適応性を向上させる。
  論文  参考訳（メタデータ） (2025-03-11T01:21:13Z)
• 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)
• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• 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)
• Lyapunov Function Consistent Adaptive Network Signal Control with Back Pressure and Reinforcement Learning [9.797994846439527]
  本研究では、それぞれ特定のリャプノフ関数を定義するリアプノフ制御理論を用いた統一的なフレームワークを提案する。 Lyapunov理論の知見に基づいて、この研究は強化学習(Reinforcement Learning, RL)に基づくネットワーク信号制御のための報酬関数を設計する。 提案アルゴリズムは, 純旅客車流および貨物を含む異種交通流下での従来のRL法およびRL法と比較した。
  論文  参考訳（メタデータ） (2022-10-06T00:22:02Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• A Deep Reinforcement Learning Approach for Traffic Signal Control Optimization [14.455497228170646]
  非効率な信号制御手法は、交通渋滞やエネルギー浪費などの多くの問題を引き起こす可能性がある。 本稿では,アクター・クリティカル・ポリシー・グラデーション・アルゴリズムを拡張し,マルチエージェント・ディープ・決定性ポリシー・グラデーション(MADDPG)法を提案する。
  論文  参考訳（メタデータ） (2021-07-13T14:11:04Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)
• 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。