Integrating Multimodality and Partial Observability Solutions Into Decentralized Multiagent Reinforcement Learning Adaptive Traffic Signal Control
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Adaptive Traffic Signal Control (ATSC) systems leverage sensor data to dynamically adjust signal timings based on real-time traffic conditions but they often suffer from partial observability (PO) due to sensor limitations and restricted detection ranges. This study addresses PO in fully decentralized ATSC systems by introducing eMARLIN-T, a controller designed to enhance performance by incorporating historical information in the decision-making process. Additionally, ATSC systems are commonly optimized to improve the performance of the general traffic, ignoring the impact on transit. On the other hand, traditional transit signal priority (TSP) strategies, which overlay preferential strategies for transit vehicles onto general traffic fixed signal plans, often lead to negative impacts on the general traffic. Thus, this paper tackles the challenge of optimizing traffic signals to benefit both public transit and general vehicular traffic. To address this, a novel decentralized multimodal multiagent reinforcement learning (RL) signal controller, eMARLIN-T-MM, is developed. This controller integrates a transformer-based encoder for transforming the state observations into a latent space and an executor Q-network for decision-making. Tested on a simulation of five intersections in North York, Toronto, eMARLIN-T-MM significantly reduces the total person delays by 58% to 74% across various bus occupancy levels compared to pre-timed signals, outperforming the other decentralized RL-based ATSCs. In addition, eMARLIN-T-MM can automatically adapt to changes in the levels of occupancy, allowing it to optimize the intersection performance in response to varying transit and traffic demands.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle