HD-RMPC: A Hierarchical Distributed and Robust Model Predictive Control Framework for Urban Traffic Signal Timing
Notice bibliographique
Résumé
Due to the nonlinearity and dynamics of transportation systems, traffic signal control (TSC) in urban traffic networks has always been an important challenge. In recent years, model predictive control (MPC) has shown extraordinary potential in TSC due to its outstanding ability to model dynamic systems. However, the relatively complex online computing, lack of reasonable setpoints for target solving, and uncertainty of traffic network hinder MPC from being further applied. To address these problems, we propose a hierarchical, distributed, and robust model predictive control (HD-RMPC) framework for urban TSC. At the slow-update layer, the road network is dynamically divided into several subareas according to regional attributes and real-time traffic demand. Meanwhile, the volume is coordinated in a robust way for the purpose of traffic equilibrium and overflow prevention. Then, the set-point matrix of each subarea is calculated to equalize the flow in the subarea. This distributed framework guarantees the real-time performance of MPC in urban traffic networks. At the fast-update layer, we adopt an improved prediction model by explicit modeling of the disturbance and reduce the prediction error. Finally, the objective function is reconstructed and solved at the control layer to obtain the optimal control law. Through continuous and asynchronous optimization of the set point and prediction model, the framework significantly improves the control effect. Simulation evaluation based on a real-world road network demonstrates that the proposed HD-RMPC method outperforms all baselines and maintains excellent real-time performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».