論文の概要: Spatio-temporal dual-stage hypergraph MARL for human-centric multimodal corridor traffic signal control
- arxiv url: http://arxiv.org/abs/2602.17068v1
- Date: Thu, 19 Feb 2026 04:18:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-20 15:21:28.694196
- Title: Spatio-temporal dual-stage hypergraph MARL for human-centric multimodal corridor traffic signal control
- Title（参考訳）: 人中心型マルチモーダル回廊信号制御のための時空間デュアルステージハイパグラフMARL
- Authors: Xiaocai Zhang, Neema Nassir, Milad Haghani,
- Abstract要約: 本稿では,STDSH-MARL(時空間2段階ハイパーグラフに基づくマルチエージェント強化学習)を提案する。
提案手法は,空間的時間的ハイパーエッジ間の相互作用をモデル化する新しい2段ハイパーグラフアテンション機構により,依存関係をキャプチャする。
5つの交通シナリオ下での廊下ネットワーク上での実験は、STDSH-MARLが一貫してマルチモーダル性能を改善し、公共交通機関の優先権に明確な利益をもたらすことを示した。
- 参考スコア（独自算出の注目度）: 5.728450793445691
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human-centric traffic signal control in corridor networks must increasingly account for multimodal travelers, particularly high-occupancy public transportation, rather than focusing solely on vehicle-centric performance. This paper proposes STDSH-MARL (Spatio-Temporal Dual-Stage Hypergraph based Multi-Agent Reinforcement Learning), a scalable multi-agent deep reinforcement learning framework that follows a centralized training and decentralized execution paradigm. The proposed method captures spatio-temporal dependencies through a novel dual-stage hypergraph attention mechanism that models interactions across both spatial and temporal hyperedges. In addition, a hybrid discrete action space is introduced to jointly determine the next signal phase configuration and its corresponding green duration, enabling more adaptive signal timing decisions. Experiments conducted on a corridor network under five traffic scenarios demonstrate that STDSH-MARL consistently improves multimodal performance and provides clear benefits for public transportation priority. Compared with state-of-the-art baseline methods, the proposed approach achieves superior overall performance. Further ablation studies confirm the contribution of each component of STDSH-MARL, with temporal hyperedges identified as the most influential factor driving the observed performance gains.
- Abstract（参考訳）: 廊下ネットワークにおける人間中心の交通信号制御は、車中心のパフォーマンスにのみ焦点をあてるのではなく、多モーダルな旅行者、特に公共交通機関の責任を負わなければならない。
本稿では,STDSH-MARL (Spatio-Temporal Dual-Stage Hypergraph based Multi-Agent Reinforcement Learning)を提案する。
提案手法は空間的および時間的ハイパーエッジ間の相互作用をモデル化する新しい2段ハイパーグラフアテンション機構により時空間依存性をキャプチャする。
さらに、次の信号位相構成とその対応するグリーン期間を共同で決定し、より適応的な信号タイミング決定を可能にするために、ハイブリッド離散動作空間を導入する。
5つの交通シナリオ下での廊下ネットワーク上での実験は、STDSH-MARLが一貫してマルチモーダル性能を改善し、公共交通機関の優先権に明確な利益をもたらすことを示した。
最先端のベースライン手法と比較して,提案手法は全体的な性能に優れる。
さらにアブレーション研究によりSTDSH-MARLの各成分の寄与が確認された。
関連論文リスト
- Human-Centric Traffic Signal Control for Equity: A Multi-Agent Action Branching Deep Reinforcement Learning Approach [5.2437780355984165]
人中心型マルチエージェントアクションブラッチングダブルディープQネットワーク(DQN)フレームワークであるMA2B-DDQNを提案する。
我々の重要な貢献は、廊下制御を局所的な区間ごとの動作に分解するアクション分岐離散制御の定式化である。
また、歩行者、乗務員、交通機関の乗客を考慮し、廊下で遅れた人の数を罰する人間中心の報酬も設計する。
論文 参考訳（メタデータ） (2026-02-03T00:56:03Z) - HyperD: Hybrid Periodicity Decoupling Framework for Traffic Forecasting [10.043485636925265]
HyperDはトラフィックデータを周期的および残留的なコンポーネントに分離する新しいフレームワークである。
4つの実世界のトラフィックデータセットの実験は、HyperDが最先端の予測精度を達成することを示した。
論文 参考訳（メタデータ） (2025-11-12T12:42:22Z) - STAR-RIS-assisted Collaborative Beamforming for Low-altitude Wireless Networks [58.13757830013997]
無人航空機(UAV)に基づく無線ネットワークは、都市コミュニケーションに高いモビリティ、柔軟性、カバーを提供する。
閉塞により、密集した環境では信号の減衰が激しい。
この重要な問題に対処するために、UAVの協調ビームの導入と全方向逆方向ビームフォーミングについて検討する。
論文 参考訳（メタデータ） (2025-10-25T01:28:37Z) - WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。
WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。
私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-07-23T16:02:06Z) - Forecasting at Full Spectrum: Holistic Multi-Granular Traffic Modeling under High-Throughput Inference Regimes [2.3759432635713895]
本稿では,新しい交通予測モデルを用いた効率的な霧分散推論システムであるMultiGranGranSTG-Fogを提案する。
提案アルゴリズムは,生成した動的トラヒックグラフ上でのGA-Fog機能融合を利用して,トラフィックのダイナミクスをフルキャプチャする。
実世界のデータセットに対する大規模な実験は、提案手法が選択されたGCNベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2025-05-02T13:55:22Z) - Heterogeneous Multi-Agent Reinforcement Learning for Distributed Channel Access in WLANs [47.600901884970845]
本稿では,マルチエージェント強化学習(MARL)を用いて,無線ローカルネットワークにおける分散チャネルアクセスに対処する。
特に、エージェントがモデルトレーニングに価値ベースまたはポリシーベースの強化学習アルゴリズムを不均一に採用する、より実践的なケースについて考察する。
我々は、分散実行パラダイムを用いた集中型トレーニングを採用し、異種エージェントの協調を可能にする、異種MARLトレーニングフレームワークQPMIXを提案する。
論文 参考訳（メタデータ） (2024-12-18T13:50:31Z) - 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) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z)
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。