論文の概要: Ultra-fast Traffic Nowcasting and Control via Differentiable Agent-based Simulation
- arxiv url: http://arxiv.org/abs/2603.25068v1
- Date: Thu, 26 Mar 2026 06:13:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:48.133308
- Title: Ultra-fast Traffic Nowcasting and Control via Differentiable Agent-based Simulation
- Title（参考訳）: 微分エージェントシミュレーションによる超高速交通放送・制御
- Authors: Fumiyasu Makinoshima, Yuya Yamaguchi, Eigo Segawa, Koichiro Niinuma, Sean Qian,
- Abstract要約: 本稿では,超高速なモデルキャリブレーション,トラフィックの流し込み,大規模ネットワークの制御が可能なエージェントベース交通シミュレータを提案する。
シカゴの大規模道路網では、キャリブレーションパラメータが1万以上あり、われわれのモデルは173倍の速度で100万台以上の車両をシミュレートしている。
- 参考スコア（独自算出の注目度）: 5.441710540892348
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic digital twins, which inform policymakers of effective interventions based on large-scale, high-fidelity computational models calibrated to real-world traffic, hold promise for addressing societal challenges in our rapidly urbanizing world. However, conventional fine-grained traffic simulations are non-differentiable and typically rely on inefficient gradient-free optimization, making calibration for real-world applications computationally infeasible. Here we present a differentiable agent-based traffic simulator that enables ultra-fast model calibration, traffic nowcasting, and control on large-scale networks. We develop several differentiable computing techniques for simulating individual vehicle movements, including stochastic decision-making and inter-agent interactions, while ensuring that entire simulation trajectories remain end-to-end differentiable for efficient gradient-based optimization. On the large-scale Chicago road network, with over 10,000 calibration parameters, our model simulates more than one million vehicles at 173 times real-time speed. This ultra-fast simulation, together with efficient gradient-based optimization, enables us to complete model calibration using the previous 30 minutes of traffic data in 455 s, provide a one-hour-ahead traffic nowcast in 21 s, and solve the resulting traffic control problem in 728 s. This yields a full calibration--nowcast--control loop in under 20 minutes, leaving about 40 minutes of lead time for implementing interventions. Our work thus provides a practical computational basis for realizing traffic digital twins.
- Abstract（参考訳）: 交通デジタル双生児は、現実の交通に合わせて調整された大規模で高忠実な計算モデルに基づいて、政策立案者に効果的な介入を通知する。
しかし、従来のきめ細かい交通シミュレーションは微分不可能であり、通常は非効率な勾配のない最適化に依存しており、現実のアプリケーションのキャリブレーションは計算的に不可能である。
本稿では,超高速モデルキャリブレーション,トラフィックの流速化,大規模ネットワークの制御が可能なエージェントベース交通シミュレータを提案する。
我々は,確率的意思決定やエージェント間相互作用など,個々の車両の動きをシミュレーションするための,複数の微分可能な計算手法を開発し,シミュレーションの軌道全体が,効率的な勾配に基づく最適化のために、エンドツーエンドで微分可能であることを保証した。
シカゴの大規模道路網では、キャリブレーションパラメータが1万以上あり、われわれのモデルは173倍の速度で100万台以上の車両をシミュレートしている。
この超高速シミュレーションは、効率的な勾配に基づく最適化とともに、過去の30分間のトラフィックデータを用いて455秒でモデルキャリブレーションを完了し、21秒で1時間毎のトラフィックを送信し、その結果のトラフィック制御問題を728秒で解決する。
これにより、完全なキャリブレーション-ノウキャスト-制御ループが20分以内で得られ、介入を実装するのに約40分間のリードタイムが残される。
そこで本研究は,トラヒックデジタル双対を実現するための実用的な計算基盤を提供する。
関連論文リスト
- Calibration of Vehicular Traffic Simulation Models by Local Optimization [43.942239814508106]
トラフィックカウントデータを用いたシミュレーションモデルのキャリブレーションは、環境の複雑さ、データの欠如、トラフィックダイナミクスの不確実性のために困難である。
本稿では,シミュレーションに基づく新しい交通キャリブレーション手法を提案する。
ベルギーのブリュッセルで,実交通監視装置のデータを用いて提案手法の評価を行った。
論文 参考訳（メタデータ） (2025-02-17T09:17:01Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - TrTr: A Versatile Pre-Trained Large Traffic Model based on Transformer
for Capturing Trajectory Diversity in Vehicle Population [13.75828180340772]
本研究では,トランスフォーマーアーキテクチャを交通タスクに適用し,車内における軌道の多様性を学習することを目的とした。
我々は、注意機構に合わせてデータ構造を作成し、繰り返しの時間的要求に対応する一連のノイズを導入する。
設計した事前学習モデルは,車両の空間分布を捉える上で優れた性能を示す。
論文 参考訳（メタデータ） (2023-09-22T07:36:22Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Differentiable Hybrid Traffic Simulation [29.86954929536965]
本稿では,マクロモデルと顕微鏡モデルの両方のハイブリッドモデルを用いて,トラフィックをシミュレートする,新しい差別化可能なハイブリッドトラフィックシミュレータを提案する。
これは、時間ステップと不均一レーン間のトラフィック状態の勾配を計算することができる、マクロおよびハイブリッドモデルの初めての微分可能なトラフィックシミュレータである。
論文 参考訳（メタデータ） (2022-10-14T18:20:15Z) - Data-Driven Offline Optimization For Architecting Hardware Accelerators [89.68870139177785]
PRIMEと呼ばれるハードウェアアクセラレータを設計するための,データ駆動型オフライン最適化手法を開発した。
PRIMEは、最先端のシミュレーション駆動方式の性能を約1.54倍と1.20倍に改善し、必要な総シミュレーション時間をそれぞれ93%と99%削減する。
さらにPRIMEは、ゼロショット設定で見えないアプリケーションのための効果的なアクセラレーターを設計し、シミュレーションベースの手法を1.26倍に向上させた。
論文 参考訳（メタデータ） (2021-10-20T17:06:09Z) - 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) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳（メタデータ） (2021-01-17T00:29:30Z)
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。