都市交通流予測と信号制御最適化のためのマルチモーダル・マルチエージェント強化学習フレームワーク

科学分野:

• 都市計画とスマートシティ開発;交通システムにおける人工知能;環境科学と持続可能性

背景:

• 急速な都市化は交通渋滞を激化させ、温室効果ガス排出の増加と大気質の悪化につながっています。;既存の交通管理システムは、都市環境の複雑な生態学的および動的な性質をしばしば無視しています。;持続可能な都市の移動性のためには、適応性のある統合されたソリューションが必要です。

研究 の 目的:

• 都市交通管理のためのフレームワークであるMM-STMAPを導入すること。;強化された交通制御のためにマルチモーダル認識と深層強化学習を統合すること。;環境データを組み込むことによって、従来の交通システムの生態学的限界に対処すること。

主な方法:

• 複雑な交通パターンをモデル化するために、時空間グラフ畳み込みネットワークを利用しました。;気象要因を含むリアルタイムの環境データを組み込みました。;計算効率のための線形注意メカニズムと信号制御のためのマルチエージェント強化学習構造を採用しました。

主要な成果:

• MM-STMAPは、経験的評価において既存の交通管理方法よりも優れた性能を示しました。;交通流効率の大幅な向上と車両遅延の削減を達成しました。;交通センサーと環境レポートからの異種データストリームを正常に統合しました。

結論:

• MM-STMAPは、都市の移動性に対して包括的で適応性のあるアプローチを提供します。;このフレームワークは、交通流を最適化し、排出量を最小限に抑えることによって、持続可能なスマートシティインフラストラクチャの開発をサポートします。;交通管理への環境データの統合は、都市計画における生態学的考慮事項にとって重要です。