[논문 리뷰] Boosted Genetic Algorithm using Machine Learning for traffic control optimization

Tuo Mao, Adriana‐Simona Mihăiţă외 2명|arXiv (Cornell University)|2021. 03. 11.

Traffic control and management참고 문헌 19인용 수 5

한 줄 요약

이 논문은 비반복적인 교통 사고 상황에서 교통 신호 제어 최적화를 가속화하기 위해 유전 알고리즘(GA)과 기계 학습(XGBoost 회귀 분석을 포함한 특정 기계 학습)을 통합한 새로운 하이브리드 최적화 프레임워크인 BGA-ML을 제안한다. 계산 비용이 높은 교통 시뮬레이션을 대체하여 훈련된 기계 학습 모델을 사용해 주행 시간 적합도를 추정함으로써, BGA-ML은 표준 GA 대비 총 주행 시간을 43% 감소시키고, 간섭 없음 상황 대비 25% 감소시키며, 상당히 낮은 계산 비용을 기록한다.

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.

연구 동기 및 목표

• 예측할 수 없고 매우 다양성이 큰 비반복적 교통 사고 상황에서의 적응형 교통 신호 제어 최적화의 부족을 해결한다.
• 실시간 사고 대응에서 전통적인 시뮬레이션 기반 최적화 방법의 높은 계산 비용을 극복한다.
• 교통 관리 센터(TMC)에서 심각한 사고 발생 시 신호 제어 시간을 재최적화할 수 있는 확장 가능하고 신속한 대응 솔루션을 개발한다.
• 반복적인 교통 시뮬레이션을 대체하기 위해 기계 학습을 통합하여 최적화 루프 내에서 신속한 적합도 평가를 가능하게 한다.
• 다양한 사고 상황에서의 사례 연구를 통해 제안된 방법의 효과성을 입증한다.

제안 방법

• 기본 문제에 대해 최적 성능를 달성하기 위해 교차, 변이, 인구 수, 세대 수 등의 하이퍼파rameter를 조정한 표준 유전 알고리즘(GA)을 사용해 신호 교차로의 단계 지속 시간을 최적화한다.
• 역사적 시뮬레이션 데이터 기반으로 다수의 기계 학습 회귀 모델(XGBoost, GBDT, 랜덤 포레스트, 선형 회귀)을 훈련시켜 총 주행 시간을 예측한다.
• 입력 신호 계획에서 총 주행 시간을 예측하는 데 있어 정확도와 강건성이 뛰어난 점을 고려해 XGBoost 회귀 모델(XGBT)을 최고 성능을 보이는 모델로 선정한다.
• 훈련된 XGBT 모델을 GA 프레임워크에 통합하여 실시간 교통 시뮬레이션 대신 적합도 평가에 사용함으로써 BGA-ML 알고리즘을 구현한다.
• 실세계 사례 연구 네트워크에 BGA-ML 프레임워크를 적용하여 사고 및 비사고 상황에서의 성능 및 속도를 평가한다.

실험 결과

연구 질문

• RQ1 기계 학습 모델이 신호 제어 최적화에서 총 주행 시간을 추정하기 위해 교통 시뮬레이션을 효과적으로 대체할 수 있는가?
• RQ2 비반복적 교통 사고 상황에서 BGA-ML의 성능은 표준 GA 대비 총 주행 시간 감소 측면에서 어떻게 비교되는가?
• RQ3 GA에 기계 학습을 통합함으로써 계산 시간은 얼마나 감소시키며, 동시에 해의 품질을 유지하거나 향상시키는가?
• RQ4 사고 조건 하에서 다수의 BGA-ML 런 동안 최적화된 신호 제어 시간은 얼마나 안정적이고 일관된가?
• RQ5 긴급 교통 상황에서 제안된 방법이 무작위 조치나 기본 GA 대비 주행 시간 감소에 어떤 영향을 미치는가?

주요 결과

• XGBoost(XGBT) 회귀 모델은 다른 기계 학습 모델(GBDT, 랜덤 포레스트, 선형 회귀)보다 신호 제어 계획에서 총 주행 시간을 예측하는 데 더 뛰어난 성능을 보였다.
• BGA-ML은 사고 상황에서 표준 GA 대비 총 주행 시간을 43% 감소시켰다.
• BGA-ML은 간섭 없음 상황 대비 총 주행 시간을 25% 감소시켜 뚜렷한 운영적 이점을 입증했다.
• 실시간 교통 시뮬레이션을 신속한 기계 학습 추론으로 대체함으로써 BGA-ML의 계산 시간은 표준 GA보다 상당히 낮아졌다.
• BGA-ML의 최종 최적화된 단계 지속 시간은 런 간에 낮은 표준편차를 보이며 안정된 해에 수렴하는 강건성을 나타냈다.
• 마지막 세대의 염색체에 대한 통계 분석 결과, 단계 지속 시간의 평균을 취하면 신뢰할 수 있고 근사 최적의 신호 제어 계획을 도출할 수 있었다.