[論文レビュー] Boosted Genetic Algorithm using Machine Learning for traffic control optimization

Tuo Mao, Adriana‐Simona Mihăiţă+2 more|arXiv (Cornell University)|Mar 11, 2021

Traffic control and management参考文献 19被引用数 5

ひとこと要約

本稿では、非反復的交通渋滞発生時における交通信号タイミング最適化を高速化するために、遺伝的アルゴリズム（GA）と機械学習（特にXGBoost回帰）を統合した新規ハイブリッド最適化フレームワークBGA-MLを提案する。交通シミュレーションの代わりに訓練済みのMLモデルを用いて走行時間の適合度を推定することで、標準的なGAと比較して総走行時間を43%削減し、介入なしの状況と比較しても25%削減を達成した。計算コストも顕著に低減された。

ABSTRACT

Traffic control optimization is a challenging task for various traffic centers around the world and the majority of existing approaches focus only on developing adaptive methods under normal (recurrent) traffic conditions. Optimizing the control plans when severe incidents occur still remains an open problem, especially when a high number of lanes or entire intersections are affected. This paper aims at tackling this problem and presents a novel methodology for optimizing the traffic signal timings in signalized urban intersections, under non-recurrent traffic incidents. With the purpose of producing fast and reliable decisions, we combine the fast running Machine Learning (ML) algorithms and the reliable Genetic Algorithms (GA) into a single optimization framework. As a benchmark, we first start with deploying a typical GA algorithm by considering the phase duration as the decision variable and the objective function to minimize the total travel time in the network. We fine tune the GA for crossover, mutation, fitness calculation and obtain the optimal parameters. Secondly, we train various machine learning regression models to predict the total travel time of the studied traffic network, and select the best performing regressor which we further hyper-tune to find the optimal training parameters. Lastly, we propose a new algorithm BGA-ML combining the GA algorithm and the extreme-gradient decision-tree, which is the best performing regressor, together in a single optimization framework. Comparison and results show that the new BGA-ML is much faster than the original GA algorithm and can be successfully applied under non-recurrent incident conditions.

研究の動機と目的

• 予測不能で多様性の高い非反復的交通渋滞下における適応的交通信号制御最適化の不足に応えること。
• リアルタイムの渋滞対応において、従来のシミュレーションベースの最適化手法がもつ高い計算コストを克服すること。
• 交通管理センター（TMC）が深刻な渋滞発生時における信号タイミングの再最適化を迅速かつスケーラブルに行えるソリューションを開発すること。
• 最適化ループ内での適合度評価を迅速化するために、繰り返しの交通シミュレーションを機械学習で置き換えること。
• 複数の渋滞シナリオ下での事例研究を通じて、提案手法の有効性を実証すること。

提案手法

• 信号交差点におけるフェーズ時間の最適化に標準的な遺伝的アルゴリズム（GA）を用い、総走行時間を目的関数とする。
• ベースライン問題における最適なパフォーマンスを達成するため、GAのハイパーパrameter（交叉率、変異率、集団サイズ、世代数）を最適化する。
• 過去のシミュレーションデータを用いて、複数の機械学習回帰モデル（XGBoost、GBDT、ランダムフォレスト、線形回帰）を訓練し、入力された信号計画からの総走行時間を予測する。
• 入力された信号計画からの走行時間予測において、精度と頑健性に優れるとして、XGBoost回帰モデル（XGBT）を最も優れたモデルとして選定する。
• 訓練済みのXGBTモデルをGAフレームワークに統合し、適合度評価のためのリアルタイム交通シミュレーションを置き換えることで、BGA-MLアルゴリズムを構築する。
• BGA-MLフレームワークを実世界の事例研究ネットワークに適用し、渋滞時および非渋滞時の両状況でテストすることで、性能と速度を評価する。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、信号制御最適化における走行時間の適合度推定のために交通シミュレーションを効果的に置き換えることができるか？
• RQ2 非反復的交通渋滞発生時におけるBGA-MLの性能は、標準的なGAと比較して、総走行時間をどの程度削減できるか？
• RQ3 GAに機械学習を統合することで、解の品質を維持または向上させつつ、計算時間をどの程度短縮できるか？
• RQ4 複数回のBGA-ML実行において、渋滞状況下での最適化された信号タイミングは、どの程度安定的かつ一貫性があるか？
• RQ5 緊急交通シナリオにおいて、提案手法は介入なしやベースラインGAと比較して、走行時間の削減にどの程度の影響を与えるか？

主な発見

• XGBoost（XGBT）回帰モデルは、他のMLモデル（GBDT、ランダムフォレスト、線形回帰）と比較して、信号タイミング計画からの走行時間予測において優れた性能を示した。
• BGA-MLは、渋滞状況下で標準的なGAアプローチと比較して、総走行時を43%削減した。
• BGA-MLは、介入なしの状況と比較して、総走行時を25%削減した。これは、顕著な運用上の利点を示している。
• 適合度評価にシミュレーションの代わりに高速なML推論を用いることで、BGA-MLの計算時間は標準的なGAよりも顕著に低減された。
• BGA-MLによる最終的な最適化済みフェーズ時間は、複数回の実行において標準偏差が小さく、安定した解に収束していることを示しており、頑健性が確認された。
• 最終世代の染色体の統計的分析から、フェーズ時間を平均化することで、信頼性が高く、ほぼ最適な信号タイミング計画が得られることを示した。