論文の概要: Hybrid Quantum-Classical Optimization for Emergency-Priority Traffic Signal Control

• arxiv url: http://arxiv.org/abs/2610.21883v1
• Date: Thu, 15 Oct 2026 13:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.095346
• Title: Hybrid Quantum-Classical Optimization for Emergency-Priority Traffic Signal Control
• Title（参考訳）: 災害時信号制御のためのハイブリッド量子古典最適化
• Abstract要約: 緊急優先の交通信号制御は、通常の交通の妨害を抑えながら、緊急車両の遅延を低減する必要がある。 本研究では,有限ホライゾンQUBOの定式化について検討し,エクサブルQUBO最適化,QAOA,CVaR-QAOA,量子機械学習ポリシ,固定時間制御,最大圧制御を3次元廊下で比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emergency-priority traffic signal control requires reducing emergency-vehicle delay while limiting disruption to ordinary traffic. This work investigates a finite-horizon QUBO formulation and compares Exact QUBO optimization, QAOA, CVaR-QAOA, a quantum machine-learning policy, fixed-time control, and max-pressure control in a three-intersection corridor. The study evaluates three traffic-demand regimes, examines the effect of the emergency-priority weight, and compares quantum solutions with the exact QUBO optimum. The optimization-based controllers achieved reliable emergency progression across all tested demand regimes, while max-pressure produced lower ordinary-traffic delay. Increasing emergency priority reduced emergency travel time but increased congestion, with diminishing improvements at larger weights. CVaR-QAOA reproduced the exact QUBO solution more accurately than standard QAOA, although the resulting differences in closed-loop traffic performance were comparatively small.
• Abstract（参考訳）: 緊急優先の交通信号制御は、通常の交通の妨害を抑えながら、緊急車両の遅延を低減する必要がある。 本研究では,有限ホライゾンQUBOの定式化について検討し,エクサブルQUBO最適化,QAOA,CVaR-QAOA,量子機械学習ポリシ,固定時間制御,最大圧制御を3次元廊下で比較した。 この研究は3つの交通需要体制を評価し、緊急優先度重みの影響を調べ、量子解と正確なQUBO最適値を比較した。 最適化ベースの制御装置は、テストされたすべての需要状況で信頼性の高い緊急進行を実現し、最大圧力は通常の交通遅延を低減した。 緊急優先時間の増加は、緊急旅行時間を短縮するが、混雑を増大させ、より大きな重量で改善を減少させた。 CVaR-QAOAはQUBOの正確な解を標準QAOAよりも正確に再現したが、クローズドループのトラフィック性能の差は比較的小さい。

関連論文リスト

• MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks [71.01350912967922]
  事故後のシナリオでは、無人航空機(UAV)が緊急通信ネットワークを確立する上で重要である。 本稿では,UAV支援緊急通信における情報量(AoI)の最小化について検討する。 適応型ルール誘導多エージェント深層強化学習フレームワークMA-HEAD-Netを開発した。
  論文  参考訳（メタデータ） (2026-08-02T10:05:50Z)
• 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)
• PASS-Enhanced MEC: Joint Optimization of Task Offloading and Uplink PASS Beamforming [67.78883135636657]
  ピンチアンテナシステム (PASS) によるモバイルエッジコンピューティング (MEC) アーキテクチャについて検討した。 PASSは、重要な経路損失と潜在的な信号遮断を効果的に軽減しつつ、短距離ライン・オブ・ライト(LoS)リンクを確立する。 ネットワーク遅延最小化問題を定式化し、アップリンクPASSビームフォーミングとタスクオフロードを共同で最適化する。
  論文  参考訳（メタデータ） (2025-10-27T03:04:46Z)
• 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)
• 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)
• Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
  ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。 本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。 我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
  論文  参考訳（メタデータ） (2024-04-05T17:58:37Z)
• 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)
• Development of a CAV-based Intersection Control System and Corridor Level Impact Assessment [0.696125353550498]
  本稿では,画素予約アルゴリズムとDeep Reinforcement Learning (DRL)決定論理を組み合わせたCAVの信号自由交叉制御システムを提案する。 提案モデルでは,他のCAV制御システムと比較して,中等度,高,極端の容積状態において50%,29%,および23%の遅延を減少させる。
  論文  参考訳（メタデータ） (2022-08-21T21:56:20Z)
• Proximal Policy Optimization Learning based Control of Congested Freeway Traffic [3.816579519746557]
  本研究では,PPO強化学習に基づく遅延補償フィードバックコントローラを提案する。 遅延のないシステムでは、PPO制御はリアプノフ制御よりも収束速度が速く、制御労力も少ない。
  論文  参考訳（メタデータ） (2022-04-12T08:36:21Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• Delay-Tolerant Constrained OCO with Application to Network Resource Allocation [44.67787270821051]
  マルチスロットフィードバック遅延によるオンライン凸最適化(OCO)を検討します。 エージェントは、時間変動凸損失関数の蓄積を最小限に抑えるために、一連のオンライン決定を行う。 情報フィードバックと意思決定の更新の非同期性に取り組むために,二重正規化による新たな制約ペナルティを用いた遅延耐性制約OCOを提案する。
  論文  参考訳（メタデータ） (2021-05-09T19:32:33Z)

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。