Active Legibility in Multiagent Reinforcement Learning
School of Automation, Central South University(中南大学自动化学院);National Engineering Laboratory for Big Data System Computing Technology, Shenzhen University(深圳大学大数据系统计算技术国家工程实验室);Northumbria University(诺森比亚大学);School of Computer Science, Minnan Normal University(闽南师范大学计算机学院);University of Georgia(佐治亚大学)
针对多智能体协作中的意图理解问题,本文提出主动可理解性框架,使智能体通过可理解动作帮助彼此优化行为,并在定制问题域中验证其效率与训练时间优势。
2024-10-28 cs.AI
Convergence of Multiagent Learning Systems for Traffic control
Amazon Alexa(亚马逊Alexa);Indian Institute of Science(印度科学研究院)
本文研究了多智能体强化学习在交通信号控制中的收敛性问题,通过随机逼近方法分析学习动态,并证明了在特定条件下该算法能够收敛。
2026-05-18 cs.AI cs.LG cs.MA
Scalable Traffic Signal Controls using Fog-Cloud Based Multiagent Reinforcement Learning
Purdue University(普渡大学);Carnegie Mellon University(卡内基梅隆大学)
优化交叉口的交通信号控制(TSC)仍然是一个具有挑战性的问题,特别是对于大规模的交通网络。过去的研究表明,优化单个TSC系统或少量此类系统的操作是可行的。然而,在计算上很难将这些解决方案扩展到大型网络,部分原因是随着交叉点数量的增加而遇到的维数灾难。幸运的是,最近的研究已经认识到利用深度和强化学习的进步来解决这个问题的潜力,并且在这方面已经取得了一些初步的成功。然而,促进这种智能解决方案方法可能需要大量的基础设施投资,如路边单元(RSU)和无人机,以确保大型网络中所有交叉路口的彻底连接,这对机构来说可能是一项繁重的投资。因此,这项研究建立在最近的工作,提出了一个可扩展的TSC模型,可以减少所需的使能基础设施的数量。这是使用图形注意力网络(GAT)作为深度强化学习的神经网络来实现的,这有助于维护交通网络的图形拓扑,同时忽略任何不相关或不必要的信息。最后通过一个实例验证了该模型的有效性,结果表明该模型具有良好的应用前景。整体研究结果表明,通过使用雾节点分解大型网络,所提出的基于雾的图形RL(FG-RL)模型可以很容易地应用于扩展到更大的交通网络。
2021-10-11 cs.AI cs.LG
Conditional Max-Sum for Asynchronous Multiagent Decision Making
Technical University of Crete(克里特技术大学)
针对动态环境下的异步多智能体决策问题,提出基于因子图和条件最大和算法的方法,结合更现实的通信框架,在无车道交通场景实验中,其协作性能优于无通信基线,且适配性强于标准最大和算法。
2025-02-18 cs.AI cs.MA
Multiagent-based Participatory Urban Simulation through Inverse Reinforcement Learning
University College London(伦敦大学学院)
基于多主体的参与式仿真在城市规划中具有突出的特点,因为获得的模型被认为是领域和局部知识的混合系统。然而,为特定的社会现象产生现实的代理人的关键问题始终存在。现有的模型试图规定涉及人类行为的因素,这似乎是棘手的。本文引入逆强化学习(IRL)来解决这个问题。IRL是为人类行为的计算建模而开发的,并在机器人学,心理学和机器学习方面取得了巨大的成功。这种新风格的建模所提出的可能性得出的结论,并强调了这种建模的相对挑战。
2017-12-21 cs.AI cs.MA
Resolving Congestions in the Air Traffic Management Domain via Multiagent Reinforcement Learning Methods
University of Piraeus(比雷埃夫斯大学);University of Ioannina(约阿尼纳大学);Frauhofer Institute IAIS(弗劳恩霍夫智能分析与信息系统研究所);CRIDA
在这篇文章中,我们报告的效率和有效性的多智能体强化学习方法(MARL)的计算航班延误,以解决空中交通管理(ATM)领域的拥塞问题。具体来说,我们的目标是解决空域使用需求超过容量的情况(需求容量问题),通过在运营的前战术阶段(即运营前几天到几个小时)对航班实施地面延误。将其投射到多智能体域中,代表航班的智能体需要决定自己的延迟w.r.t.他们没有关于其他人的收益,偏好和约束的信息,而他们计划与其他人一起执行他们的轨迹,遵守操作约束。具体来说,我们正式的问题作为一个多智能体马尔可夫决策过程(MA-MDP),我们表明,它可以被认为是一个马尔可夫博弈中,相互作用的代理需要达到一个平衡:是什么使问题更有趣的是动态设置中的代理操作,这也是由于不可预见的,紧急的影响,他们的决定在整个系统。我们提出了协作多智能体强化学习方法来解决需求能力不平衡:对现实世界的案例进行了广泛的实验研究,显示了所提出的方法在解决问题方面的潜力,而高级可视化提供了详细的视图,以了解所提供的解决方案的质量。
2019-12-14 cs.AI cs.MA
Real-Time Network-Level Traffic Signal Control: An Explicit Multiagent Coordination Method
Southeast University(东南大学);University of Science and Technology of China(中国科学技术大学)
针对交通信号控制的实时性、交通动态复杂性及路网级协调难题,提出基于显式多智能体协调的在线规划方法,可保证路网稳定性,在适配实时动态、降低行程时间和城市级可扩展性上优于现有方法。
2023-06-15 cs.AI cs.MA
Self-organising Urban Traffic control on micro-level using Reinforcement Learning and Agent-based Modelling
University of Bremen(不来梅大学)
大多数交通流控制算法解决交通信号灯和信号灯的切换周期自适应。这项工作解决了交通流量优化的自组织微观层面的控制结合强化学习和基于规则的代理进行行动选择在城市环境中进行远程导航。即,由代理代表的车辆基于本地环境传感器来调整其用于重新路由的决策。基于Agent的建模和仿真是用来研究城市交通流的涌现效应。一个统一的代理编程模型,使模拟和分布式数据处理与可能纳入人群传感任务作为一个额外的传感器数据库。仿真结果表明,基于Agent的人工城市区域的微观层次的车辆导航控制的部署,只是学习个人决策和重新路由的基础上,当地的环境传感器可以提高移动的路径长度和行驶时间方面的效率。
2022-02-24 cs.AI
TrafficClaw: A Generalizable LLM Agent in the Unified Physical Environment for Urban Traffic Control
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));Shandong University(山东大学)
提出TrafficClaw,一种基于大语言模型的可泛化交通控制智能体,通过统一物理环境、可执行时空推理与多阶段智能体强化学习,实现跨子系统的协调优化。
2026-06-01 cs.AI
MTP: Exploring Multimodal Urban Traffic Profiling with Modality Augmentation and Spectrum Fusion
针对现有单模态交通信号建模方法难以捕捉多模态异构数据语义、预测精度受限的问题,本文提出多模态交通画像框架MTP,通过模态增强、频域学习与层级对比频谱融合,在六个真实数据集上取得了优于SOTA的性能。
2025-11-17 cs.AI
An ASP Framework for Efficient Urban Traffic Optimization
Università degli Studi di Genova(热那亚大学);Politecnico di Torino(都灵理工大学)
由于城市人口和车辆的快速增长,在城市场景中避免拥堵和控制交通变得至关重要。有效控制城市交通作为缓解拥堵的一种手段,在经济、环境和健康方面都是有益的。在本文中,一个框架,它允许有效地模拟和优化交通流在一个大型的道路网络与数百辆车。该框架利用应答集编程(ASP)编码来正式描述网络内车辆的运动。利用在ASP中指定优化约束的能力和现成的求解器Clingo,然后可以优化网络内的车辆的路线以减少相关度量的范围(例如,行程时间或排放)。最后,对真实世界的交通数据进行分析,利用最先进的城市移动模拟器(SUMO)来跟踪网络的状态,测试解决方案的正确性,并证明所提出的解决方案的效率和能力。
2022-08-05 cs.AI
Urban Traffic Flow Forecast Based on FastGCRNN
School of Computer Science and Engineering, Central South University(中南大学计算机科学与工程学院);School of Geosciences and Info-Physics, Central South University(中南大学地球科学与信息物理学院)
交通预测是智能交通系统在城市交通网络中应用的重要前提。已有的研究工作采用RNN和CNN/GCN来刻画交通流的时空相关性,其中GCRN是最新的研究成果。然而,由于高计算复杂性,GCRN很难应用于大规模道路网络。为了解决这个问题,我们建议将道路网络抽象成一个几何图,并建立一个快速图卷积递归神经网络(FastGCRNN)来模拟交通流的时空依赖性。具体而言,利用FastGCN单元有效捕捉图中道路与周围道路的拓扑关系,通过重要性采样降低计算复杂性,结合GRU单元捕捉交通流的时间依赖性,并基于Encoder-Decoder框架将时空特征嵌入到Seq 2Seq中.在大规模交通数据集上的实验表明,该方法在保持较高准确率的同时,大大降低了计算复杂性和内存消耗。
2020-09-17 cs.AI
STHMoE: Hypergraph-Enhanced Heterogeneous Dependency Coordination for LLM-Based Urban Traffic Data Forecasting
Southeast University(东南大学)
STHMoE提出一种时空超图增强混合专家框架,通过解耦频域、时域、空间域及高阶空间表示并利用部分冻结LLM和自适应超图模块,协调异构依赖,在10个真实交通基准上取得竞争性能。
2026-09-15 cs.AI
Clustering of Urban Traffic Patterns by K-Means and Dynamic Time Warping: Case Study
Snapp Company(Snapp公司)
本文提出基于K-Means与动态时间规整的时间序列聚类算法,并利用Snapp应用驾驶员速度数据验证其在缺失速度估计和重要路段识别中的有效性。
2023-09-18 cs.AI cs.LG
Urban Vibrancy Embedding and Application on Traffic Prediction
School of Computing(计算学院);KAIST(韩国科学技术院);Luddy School of Informatics(信息学院);Indiana Univ.(印第安纳大学)
本研究提出基于城市活力嵌入的交通预测方法,结合VAE和LSTM提升预测准确性和响应性。
2026-02-07 cs.AI cs.LG
Traffic Scenario Logic: A Spatial-Temporal Logic for Modeling and Reasoning of Urban Traffic Scenarios
University of Science and Technology of China(中国科学技术大学);Suzhou Shuzhi Technology Group Co., Ltd.(苏州数智科技集团有限公司);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院)
本文提出时空逻辑 TSL,利用 OpenDRIVE 道路网络并基于 Telingo 实现推理,以支持城市无行人交通场景的形式化建模、测试生成与安全验证。
2025-02-20 cs.AI cs.LO
Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis
Korea Advanced Institute of Science and Technology(韩国科学技术院);Indiana University Bloomington(印第安纳大学伯明顿分校)
针对现有交通预测模型忽略交通本质、传感器网络难反映真实路网及活动交通模式的问题,提出结合全国家庭出行调查活动频率数据的图卷积改进方法,以极小架构改动和低计算开销实现了交通预测的最优性能。
2023-08-20 cs.AI cs.LG
Calibrating Urban Traffic Simulation from Sparse Road Observations via Genetic Optimization
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
提出一种基于遗传算法的框架,利用稀疏道路观测数据校准城市交通仿真,无需详细就业数据,生成与真实测量高度相关的交通流和就业分布。
2026-06-02 cs.AI cs.CY cs.NE
Simulation Pipeline for Traffic Evacuation in Urban Areas and Emergency Traffic Management Policy Improvements through Case Studies
Carnegie Mellon University(卡内基梅隆大学);Google Research(谷歌研究院)
交通疏散在飓风、野火、洪水、地震等毁灭性灾害中拯救生命方面发挥着至关重要的作用。对于这些罕见事件,提前评估疏散计划的能力,包括识别交通流量瓶颈、改进交通管理政策以及了解交通管理政策的稳健性,对于应急管理至关重要。鉴于此类事件的罕见性和相应的缺乏真实数据,交通模拟为此类场景提供了灵活和通用的方法,并且还允许与模拟疏散进行动态交互。在本文中,我们建立了一个交通模拟管道来探索上述问题,涵盖了疏散的许多方面,包括地图创建,需求生成,车辆行为,瓶颈识别,交通管理政策的改进,和结果分析。我们应用管道在加利福尼亚州的两个案例研究。第一个是天堂,它在2018年被一场大火摧毁,在疏散期间经历了灾难性的交通堵塞。第二个是米尔谷,由于该市位于一个狭窄的山谷中,因此野火和潜在交通问题的风险很高。
2020-08-22 cs.AI physics.soc-ph
Urban Regional Function Guided Traffic Flow Prediction
Sun Yat-sen University(中山大学);The Hong Kong Polytechnic University(香港理工大学)
交通流预测是时空分析中的一个具有挑战性的关键问题,近年来受到越来越多的关注。除了时空相关性,城市区域的功能性在交通流预测中也起着至关重要的作用。但对区域功能属性的探索主要集中在添加额外的拓扑结构,忽略了功能属性对区域交通模式的影响。与现有的工作不同,我们提出了一个新的模块命名为POI元块,它利用每个区域的功能(由兴趣点分布表示)作为元数据,进一步挖掘不同功能的地区不同的交通特征。具体而言,所提出的POI元块采用自注意力架构,并结合POI和时间信息,以生成每个区域的动态注意力参数,这使得该模型能够在不同时间适应不同区域的不同交通模式。此外,我们的轻量级POI-MetaBlock可以轻松集成到传统的交通流预测模型中。大量的实验表明,我们的模块显着提高了流量预测的性能,并优于国家的最先进的方法,使用元数据。
2023-03-20 cs.AI cs.CV
An Efficient Deep Reinforcement Learning Model for Urban Traffic Control
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Tsinghua University(清华大学);Qingdao Academy of Intelligent Industries(青岛智能产业技术研究院)
城市交通控制在智能交通系统中起着至关重要的作用,但仍是一个难点。由于基于模型的UTC方法可能无法在所有情况下准确描述交通动态的复杂性质,因此无模型数据驱动的UTC方法,特别是基于强化学习(RL)的UTC方法,在过去十年中受到越来越多的关注。然而,现有的DL方法没有提出一个有效的算法来解决复杂的多交叉口控制问题,其状态-动作空间是巨大的。为了解决这个问题,我们提出了一种深度强化学习(DRL)算法,该算法结合了几种技巧,可以在可接受的时间内掌握适当的控制策略。该算法放宽了交通需求模式固定的假设,减少了参数调整中的人为因素。仿真实验表明,我们的方法优于传统的基于规则的方法,并有可能在现实世界中处理更复杂的交通问题。
2018-08-24 cs.AI stat.ML
Parameter Efficient Hybrid Transformer (PEHT) for Network Traffic Prediction via Dynamic Urban Congestion Integration
National Science Foundation(国家科学基金会);U.S. Department of Transportation(美国交通部);University Transportation Center (UTC)(大学交通中心);Transportation Cybersecurity Center for Advanced Research and Education (CYBER-CARE)(交通网络安全高级研究与教育中心);NVIDIA Academic Grant Program(NVIDIA学术资助计划)
提出参数高效混合Transformer(PEHT),通过低秩适应和多模态融合整合城市移动性与拥堵信息,在减少参数的同时提升网络流量预测精度。
2026-06-29 cs.AI cs.LG
Empowering Urban Traffic Management: Elevated 3D LiDAR for Data Collection and Advanced Object Detection Analysis
Missouri University of Science and Technology (MST)(密苏里科技大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
本文提出利用高架LiDAR传感器和模拟点云数据,微调PV-RCNN模型,以提升城市交通场景中车辆和行人的3D检测精度,从而改善城市安全和智能交通系统。
2024-05-21 cs.AI cs.CV cs.LG
Enhanced Urban Traffic Management Using CCTV Surveillance Videos and Multi-Source Data Current State Prediction and Frequent Episode Mining
Bennett University(贝内特大学);Aligarh Muslim University(阿里格尔穆斯林大学)
本研究提出一种融合CCTV视频与多源数据的统一框架,结合时空特征融合、FEM和混合LSTM-Transformer模型进行实时交通预测,在CityFlowV2数据集上准确率达98.46%,有效支持主动拥堵管理。
2025-10-04 cs.AI cs.LG
Urban Region Embeddings from Service-Specific Mobile Traffic Data
IMT Lucca(IMT卢卡大学);ISTI-CNR(ISTI-CNR(意大利国家研究委员会信息科学与技术研究所));University of Pisa(比萨大学)
本文提出利用服务特定移动流量数据,通过时间卷积自编码器、Transformer和可学习加权求和模型生成城市区域嵌入,实验证明其能有效捕获城市特征并优于现有方法。
2024-11-20 cs.AI cs.LG cs.NI
A self-organizing system for urban traffic control based on predictive interval microscopic model
University of Silesia(西里西亚大学)
本文提出一种基于预测区间微观模型的自组织交通信号系统,通过智能体预测控制动作对交通流的影响,优化交通控制性能,尤其在非均匀交通流中表现更优。
2014-06-04 cs.AI cs.SY eess.SY
Optimising Dynamic Traffic Distribution for Urban Networks with Answer Set Programming
University of Genova(热那亚大学);Politecnico of Turin(都灵理工大学);University of Calabria(卡拉布里亚大学);University of Huddersfield(哈德斯菲尔德大学)
本文提出基于回答集编程的框架,用于计算城市网络中所有车辆的动态最优路线,并在两个欧洲城市区域验证了其可行性与贡献。
2024-08-14 cs.AI cs.LO
Urban traffic dynamic rerouting framework: A DRL-based model with fog-cloud architecture
Purdue University(普渡大学);Carnegie Mellon University(卡内基梅隆大学);The Hong Kong Polytechnic University(香港理工大学)
过去的研究和实践表明,动态改道框架是有效的,以缓解城市交通拥挤,从而提高城市的出行效率。有人建议,可以使用诸如雾计算之类的新兴技术来促进动态重新路由,这些技术提供了低延迟能力和车辆与道路基础设施之间的信息交换的优势。为了解决这个问题,本研究提出了一个两阶段模型,该模型使用雾云架构将GAQ(图形注意力网络-深度Q学习)和EBkSP(基于熵的k最短路径)相结合,以在动态城市环境中重新路由车辆,从而提高旅行效率。首先,GAQ分析每个道路和每个雾区的交通状况,然后分配一个道路指数的基础上,从本地和邻近地区的信息关注。其次,EBkSP基于车辆优先级和路线流行度为每个车辆分配路线。最后,通过实例研究验证了该模型的有效性.在模型训练阶段,使用不同的方法来建立车辆优先级,并评估它们对结果的影响。此外,所提出的模型进行了测试,在不同的情况下,不同比例的改道和背景(非改道)车辆。结果表明,使用该模型的车辆改道,可以帮助获得更高的速度,并减少严重拥堵的可能性。这一结果表明,所提出的模型可以部署城市交通机构的动态改道,并最终,以减少城市交通拥堵。
2021-10-11 cs.AI cs.LG
AI-Driven Scenarios for Urban Mobility: Quantifying the Role of ODE Models and Scenario Planning in Reducing Traffic Congestion
Politecnico di Torino(都灵理工大学)
本文结合 ODE 建模与场景规划,量化 AI 采用率对城市交通拥堵的动态影响,并为监管和社会条件下的拥堵治理提供政策建议。
2025-01-07 cs.AI econ.GN q-fin.EC
Cross-View Urban Traffic Dataset: Drone-Supervised Ground Truth for Monocular Bird's-Eye View Localization
OTH Regensburg(雷根斯堡应用技术大学)
提出一个由同步自行车视角和无人机视角视频构建的跨视角城市交通数据集,支持跨视角身份匹配和鸟瞰图预测任务,提供身份级对齐和标准化评估。
2026-06-05 cs.AI cs.CV
Leveraging 3D LiDAR Sensors to Enable Enhanced Urban Safety and Public Health: Pedestrian Monitoring and Abnormal Activity Detection
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
该研究提出融合LiDAR与IoT的双模型框架,用改进PV-RCNN做3D检测、PointNet分类行人活动,还通过Blender构建模拟数据集解决数据稀缺问题,助力城市交通管理与公共健康。
2024-04-17 cs.AI cs.CV cs.LG
AVARS -- Alleviating Unexpected Urban Road Traffic Congestion using UAVs
University College Dublin(都柏林大学);Manchester Metropolitan University(曼彻斯特城市大学);University of Huddersfield(哈德斯菲尔德大学)
本文提出AVARS系统,利用配备摄像头的无人机结合深度强化学习进行交通灯信号控制,以低成本部署方式有效缓解突发城市道路交通拥堵。
2023-09-10 cs.AI cs.LG cs.SY
Privacy-Preserving Federated Learning for Fair and Efficient Urban Traffic Optimization
IIIT, Bhubaneswar, India(印度博黑班萨尔理工学院);Dept. of CS, Maharaja Sriram Chandra Bhanja Deo University, Baripada, Odisha, India(奥里萨邦巴里帕达马哈拉吉斯里拉姆·昌德·班贾德大学计算机系)
本文提出FedFair-Traffic框架,首次联合优化出行效率、交通公平性和差分隐私,通过图神经网络与多目标优化在METR-LA数据集上实现出行时间降低7%、公平性提升73%并减少89%通信开销。
2025-11-09 cs.AI cs.LG cs.NI