ゲート付きリカレントユニットとグラフアテンションネットワークによるスマートなマルチエージェント交通制御
Beyond static snapshots: gated recurrent units and graph attention networks for smarter multi-agent traffic control
本論文は、都市交通における渋滞の動的な時空間伝播とセンサーデータの不完全性という課題に対応するため、ハイブリッド協調時空間グラフ強化学習(HC-STGRL)という新しいフレームワークを提案する。このフレームワークは、ゲート付きリカレントユニット(GRU)、グラフアテンションネットワーク(GAT)、およびデュエルダブルディープQネットワーク(3DQN)を統合している。GRUは各交差点の短期記憶を保持・更新し、GATは近隣交差点との情報共有を可能にする。3DQNは最終的な信号決定を行う。SUMOシミュレーションを用いた評価では、HC-STGRLは従来の最先端手法と比較して平均移動時間と遅延を大幅に削減し、実世界の道路ネットワークで移動時間を最大11.3%、待ち時間を最大14.9%短縮した。また、20%のセンサー故障時でも性能低下を25.4%に抑え、CoLightの44.7%と比較して高いロバスト性を示した。さらに、主要幹線道路が隣接交差点を飢餓状態に陥らせることを防ぐメカニズムも組み込まれている。
- ゲート付きリカレントユニット(GRU)・グラフアテンションネットワーク(GAT)・デュエルダブルディープQネットワーク(3DQN)を統合したハイブリッド協調時空間グラフ強化学習(HC-STGRL)を提案
- SUMOシミュレーション評価で、従来の最先端手法比べ実道路ネットワークの移動時間を最大11.3%、待ち時間を最大14.9%短縮
- センサー20%故障時に性能低下を25.4%に抑え、CoLightの44.7%と比較して高いロバスト性を確認
- 主要幹線道路が隣接交差点を飢餓状態に陥らせることを防ぐメカニズムを組み込んでいる
都市交通信号制御という実応用に対し、GRU・GAT・3DQNを統合した強化学習フレームワーク(HC-STGRL)を提案し、SUMO上で移動時間11.3%・待ち時間14.9%削減、センサー20%故障時でも性能低下25.4%(CoLight比44.7%)という定量成果を示した点が注目。交通インフラ向けAIのロバスト性は実運用の導入障壁を下げる要素で、スマートシティ/ITS領域へのAI投資テーマの妥当性を裏付ける。ただし現段階はシミュレーション評価に留まり、商用製品化や案件化の発表ではないため、投資判断には実地検証と導入主体の動きを待つ必要がある。