MoveLight: Enhancing Traffic Signal Control through Movement-Centric Deep Reinforcement Learning

要約

この論文では、移動中心の深層強化学習を通じて都市交通管理を強化する新しい交通信号制御システムである MoveLight を紹介します。
詳細なリアルタイム データと高度な機械学習技術を活用することで、MoveLight は従来の交通信号制御方法の限界を克服します。
FRAP アルゴリズムを使用した車線レベルの制御アプローチを採用し、動的かつ適応的な交通信号制御を実現し、交通の流れを最適化し、渋滞を軽減し、全体的な効率を向上させます。
私たちの調査では、単一の交差点、幹線道路、ネットワーク レベルにわたる MoveLight のスケーラビリティと有効性が実証されています。
ケルンと杭州の実世界のデータセットを使用した実験結果では、既存の方法と比較して、キューの長さ、遅延、スループットなどの指標が大幅に向上していることが示されています。
この研究は、インテリジェントな交通信号制御における深層強化学習の変革の可能性を強調し、持続可能で効率的な都市交通システムの新たな標準を確立します。

要約(オリジナル)

This paper introduces MoveLight, a novel traffic signal control system that enhances urban traffic management through movement-centric deep reinforcement learning. By leveraging detailed real-time data and advanced machine learning techniques, MoveLight overcomes the limitations of traditional traffic signal control methods. It employs a lane-level control approach using the FRAP algorithm to achieve dynamic and adaptive traffic signal control, optimizing traffic flow, reducing congestion, and improving overall efficiency. Our research demonstrates the scalability and effectiveness of MoveLight across single intersections, arterial roads, and network levels. Experimental results using real-world datasets from Cologne and Hangzhou show significant improvements in metrics such as queue length, delay, and throughput compared to existing methods. This study highlights the transformative potential of deep reinforcement learning in intelligent traffic signal control, setting a new standard for sustainable and efficient urban transportation systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google