論文の概要: OverFlowLight: Real-Time Gridlock Prevention and Traffic Signal Optimization for Urban Intersections

• arxiv url: http://arxiv.org/abs/2606.27381v1
• Date: Sun, 24 May 2026 06:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.949487
• Title: OverFlowLight: Real-Time Gridlock Prevention and Traffic Signal Optimization for Urban Intersections
• Title（参考訳）: OverFlowLight:都市間におけるリアルタイムグリッドロック防止と交通信号最適化
• Abstract要約: 都市交通渋滞の深刻な原因であるキューオーバーフローは、車両の待ち行列が交差点の容量を超えると発生する。 我々は、オーバーフローを事前に解決し、TSC性能を向上させるために設計されたリアルタイムフレームワークであるOverFlowLightを提案する。 3大都市において43の交差点にまたがるOverFlowLightの大規模な実環境展開を行った。
• 参考スコア（独自算出の注目度）: 11.377181402640977
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Queue overflow, a severe consequence of urban traffic congestion, occurs when vehicle queues exceed intersection capacity, obstructing upstream traffic and triggering cascading gridlocks. Prevailing traffic signal control (TSC) algorithms, primarily optimized for throughput, often fail to address overflow during peak hours, exacerbating congestion and creating safety hazards. We propose OverFlowLight, a real-time framework designed to preemptively resolve overflow and enhance overall TSC performance. It first introduces a mechanism to accurately detect overflow in real-time by leveraging multi-modal sensing from cameras and radars. Upon detection, it dynamically generates and inserts dedicated overflow phases into the signal cycle to clear the blocking queues. This is orchestrated by a hybrid control design that combines rapid rule-based overflow intervention with controller back ends such as reinforcement learning (RL) for longer-horizon efficiency. We conducted extensive real-world deployments of OverFlowLight across 43 intersections in three major cities. The framework demonstrates seamless integration with existing RL-based TSC agents, highlighting its modularity and practical applicability. Empirical results show that OverFlowLight reduces overflow incidents by 60.4% and increases network throughput by 18.2% compared to deployed baselines. Furthermore, it substantially diminishes the need for manual intervention common with expert-tuned signal plans. This work presents the first practical, scalable, and data-driven framework for actively preventing traffic gridlock, offering a crucial component for building resilient and efficient urban transportation systems. Our demonstration videos, codes and datasets are available at the anonymous URL, https://anonymous.4open.science/r/OverFlowLight-FBF9.
• Abstract（参考訳）: 都市交通渋滞の深刻な結果であるキューオーバーフローは、車両の待ち行列が交差点の容量を超え、上流の交通を妨害し、カスケード・グリッドロックを発生させるときに発生する。 スループットに最適化された一般的な交通信号制御(TSC)アルゴリズムは、ピーク時のオーバーフローに対処できず、混雑が悪化し、安全上の危険が生じる。 オーバーフローをプリエンプティブに解決し,全体のTSC性能を向上させるために設計された,リアルタイムフレームワークであるOverFlowLightを提案する。 まず、カメラやレーダーからのマルチモーダルセンシングを利用して、リアルタイムにオーバーフローを正確に検出するメカニズムを導入する。 検出すると、専用のオーバーフローフェーズを信号サイクルに動的に生成して挿入し、ブロッキングキューをクリアする。 これは、高速なルールベースのオーバーフロー介入と強化学習(RL)のようなコントローラバック端を組み合わさったハイブリッド制御設計によって構成される。 3大都市において43の交差点にまたがるOverFlowLightの大規模な実環境展開を行った。 このフレームワークは既存のRLベースのTSCエージェントとのシームレスな統合を示し、モジュール性と実用性を強調している。 実証的な結果によると、OverFlowLightはオーバーフローインシデントを60.4%削減し、ネットワークスループットをデプロイベースラインと比較して18.2%向上する。 さらに、専門家が調整した信号計画と共通する手動介入の必要性を大幅に減らす。 この研究は、トラフィック・グリッドロックを積極的に防止し、レジリエンスで効率的な都市交通システムを構築する上で重要な要素を提供する、最初の実用的でスケーラブルでデータ駆動型フレームワークである。 デモビデオ、コード、データセットは匿名URLhttps://anonymous.4open.science/r/OverFlowLight-FBF9.comで公開しています。

関連論文リスト

• Robust Single-Agent Reinforcement Learning for Regional Traffic Signal Control Under Demand Fluctuations [5.784337914162491]
  交通渋滞は、主に交差点の待ち行列によって引き起こされ、都市生活水準、安全性、環境品質、経済効率に大きな影響を及ぼす。 本研究では,地域適応型TSCのための新しい単エージェント強化学習フレームワークを提案する。 このフレームワークは堅牢な反ゆらぎ能力を示し、待ち時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2025-11-01T13:18:50Z)
• 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)
• Self-Regulating Cars: Automating Traffic Control in Free Flow Road Networks [5.557442038265024]
  本稿では,車両の速度を動的に調整し,スループットを最適化し,混雑を防止することを目的とした,強化学習に基づく交通制御プロトコルである自己規制車を紹介する。 提案手法は,古典的交通流理論,ギャップ受容モデル,微視的シミュレーションを物理インフォームドRLフレームワークに統合する。 また、さまざまなトラフィックパターンをまたいで一般化しながら、スムーズで渋滞に強いフローを実現し、スケーラブルでML駆動のトラフィック管理の可能性を示している。
  論文  参考訳（メタデータ） (2025-06-13T17:31:23Z)
• Multi-hop Upstream Anticipatory Traffic Signal Control with Deep Reinforcement Learning [24.687845741167884]
  交通信号制御のコーディネーションは,都市ネットワークにおける混雑管理に不可欠である。 我々の研究はマルコフ連鎖理論に基づく新しい概念、すなわちテクティットマルチホップ上流圧力を導入している。 この遠視的かつコンパクトなメトリクスは、深層強化学習エージェントにマルチホップアップストリームキューをプリエンプティブにクリアするように通知する。
  論文  参考訳（メタデータ） (2024-11-10T16:28:42Z)
• 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)
• 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 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)
• AVARS -- Alleviating Unexpected Urban Road Traffic Congestion using UAVs [1.350455609556855]
  本稿では, DRLを用いた交通信号制御により, 予期せぬ都市交通渋滞を低減するためにUAVを使用する可能性を探る「AVARS」システムを提案する。 シミュレーションの結果,AVARSはアイルランドのダブリンで発生した予期せぬ交通渋滞を,本来の非混雑レベルに戻すことができることがわかった。
  論文  参考訳（メタデータ） (2023-09-10T09:40:20Z)
• 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)
• 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)
• 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)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。