論文の概要: Dynamic Configuration of On-Street Parking Spaces using Multi Agent Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2512.02406v1
• Date: Tue, 02 Dec 2025 04:33:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.721627
• Title: Dynamic Configuration of On-Street Parking Spaces using Multi Agent Reinforcement Learning
• Title（参考訳）: マルチエージェント強化学習によるオンストリート駐車場の動的構成
• Authors: Oshada Jayasinghe, Farhana Choudhury, Egemen Tanin, Shanika Karunasekera,
• Abstract要約: 路上駐車場を動的に設定することで、路上駐車が交通渋滞に与える影響を最小化する方法について検討する。 提案手法は,大規模道路網に対して本質的にスケーラブルな2層型マルチエージェント強化学習フレームワークからなる。 実験の結果,提案手法により車両の平均走行時間損失が47%まで減少し,駐車場の歩行距離が増大する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 3.8043591176728317
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With increased travelling needs more than ever, traffic congestion has become a major concern in most urban areas. Allocating spaces for on-street parking, further hinders traffic flow, by limiting the effective road width available for driving. With the advancement of vehicle-to-infrastructure connectivity technologies, we explore how the impact of on-street parking on traffic congestion could be minimized, by dynamically configuring on-street parking spaces. Towards that end, we formulate dynamic on-street parking space configuration as an optimization problem, and we follow a data driven approach, considering the nature of our problem. Our proposed solution comprises a two-layer multi agent reinforcement learning based framework, which is inherently scalable to large road networks. The lane level agents are responsible for deciding the optimal parking space configuration for each lane, and we introduce a novel Deep Q-learning architecture which effectively utilizes long short term memory networks and graph attention networks to capture the spatio-temporal correlations evident in the given problem. The block level agents control the actions of the lane level agents and maintain a sufficient level of parking around the block. We conduct a set of comprehensive experiments using SUMO, on both synthetic data as well as real-world data from the city of Melbourne. Our experiments show that the proposed framework could reduce the average travel time loss of vehicles significantly, reaching upto 47%, with a negligible increase in the walking distance for parking.
• Abstract（参考訳）: 交通需要の増大により、ほとんどの都市部では交通渋滞が大きな問題となっている。 路上駐車のためのスペースを確保することで、運転に有効な道路幅を制限し、交通の流れを妨げている。 自動車とインフラの接続技術の発展により、路上駐車場を動的に構成することで、路上駐車が交通渋滞に与える影響を最小限に抑えることができるかを検討する。 その目的のために,道路駐車空間の動的構成を最適化問題として定式化し,本問題の性質を考慮し,データ駆動方式を踏襲する。 提案手法は,大規模道路網に対して本質的にスケーラブルな2層型マルチエージェント強化学習フレームワークからなる。 レーンレベルエージェントは,各レーンに対して最適な駐車空間構成を決定する責任を負うとともに,長期記憶ネットワークとグラフアテンションネットワークを効果的に活用し,与えられた問題に現れる時空間相関を捕捉する,新しいQラーニングアーキテクチャを提案する。 ブロックレベルエージェントはレーンレベルエージェントの動作を制御し、ブロックの周りに十分なレベルの駐車を維持する。 我々は,メルボルン市の合成データと実世界のデータの両方を用いて,SUMOを用いた総合的な実験を行う。 実験の結果,提案手法により車両の平均走行時間損失が47%まで減少し,駐車場の歩行距離が増大する可能性が示唆された。

関連論文リスト

• 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)
• Trip Planning for Autonomous Vehicles with Wireless Data Transfer Needs Using Reinforcement Learning [7.23389716633927]
  車両データ転送要求を満たすために,高帯域道路を優先する新しい強化学習ソリューションを提案する。 我々は、この手法をトラフィックを意識しないベースラインや帯域幅を意識しないベースラインと比較し、不均一なトラフィック下での処理性能を示す。
  論文  参考訳（メタデータ） (2023-09-21T23:19:16Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Deep Reinforcement Learning to Maximize Arterial Usage during Extreme Congestion [4.934817254755007]
  本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。 エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。 エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
  論文  参考訳（メタデータ） (2023-05-16T16:53:27Z)
• RLPG: Reinforcement Learning Approach for Dynamic Intra-Platoon Gap Adaptation for Highway On-Ramp Merging [14.540226579203207]
  小隊は、非常に近い距離で一緒に移動する車両のグループを指す。 近年の研究では、高規格道路と高架道路の合流時の交通流に対する極小小小高架区間の影響が明らかにされている。 本稿では,各小隊員の小隊内ギャップを適応的に調整し,交通流を最大化する新しい補強学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-07T07:33:54Z)
• Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing [0.26249027950824505]
  本稿では,交差点の混雑状況に応じて交通信号を調整するDRLに基づく信号制御システムを提案する。 交差点の後方の道路での渋滞に対処するため,道路ネットワーク上で車両のバランスをとるために再ルート手法を用いた。
  論文  参考訳（メタデータ） (2022-06-28T02:46:20Z)
• A Reinforcement Learning-based Adaptive Control Model for Future Street Planning, An Algorithm and A Case Study [3.5368898558786768]
  インテリジェントストリートは、道路利用者のための道路右翼(ROW)における意思決定を学習し、改善することができる。 我々は,マルチエージェントのDeep Deterministic Policy Gradient (MADDPG)アルゴリズムに基づくソリューションを開発した。 本モデルでは、路上駐車および車両運転に割り当てられた街路空間において、平均3.87%と6.26%の削減を達成できる。
  論文  参考訳（メタデータ） (2021-12-10T10:32:46Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)

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。