[论文解读] 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 5

一句话总结

本文提出BGA-ML，一种新颖的混合优化框架，将遗传算法（GA）与机器学习（具体为XGBoost回归）相结合，以在非周期性交通事件期间加速交通信号配时优化。通过使用训练好的机器学习模型替代计算成本高昂的交通仿真来估计行程时间适应度，BGA-ML在总行程时间上相比标准GA降低了43%，相比无干预情况降低了25%，且计算成本显著降低。

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.

研究动机与目标

• 解决在非周期性交通事件下自适应交通信号控制优化的不足，此类事件具有不可预测性和高度可变性。
• 克服传统基于仿真的优化方法在实时事件响应中计算成本过高的问题。
• 为交通管理中心（TMCs）开发一种可扩展且快速响应的解决方案，以在严重事件期间重新优化信号配时。
• 通过引入机器学习替代重复的交通仿真，实现在优化循环中快速评估适应度。
• 通过多种事件情景下的案例研究，证明所提方法的有效性。

提出的方法

• 使用标准遗传算法（GA）优化信号交叉口的相位时长，以总行程时间作为目标函数。
• 对GA超参数（交叉率、变异率、种群大小、代数）进行微调，以在基线问题上实现最佳性能。
• 基于历史仿真数据训练多种机器学习回归模型（XGBoost、GBDT、随机森林、线性回归），以预测总行程时间。
• 由于XGBoost回归器在从输入信号配时方案预测行程时间方面表现出更高的准确性和鲁棒性，因此选择其作为最优模型。
• 将训练好的XGBT模型集成到GA框架中，以替代实时交通仿真进行适应度评估，从而构建BGA-ML算法。
• 将BGA-ML框架应用于真实世界案例研究网络，在事件和非事件情景下进行测试，以评估其性能与速度。

实验结果

研究问题

• RQ1 机器学习模型能否有效替代交通仿真，以估计信号控制优化中的总行程时间？
• RQ2 在非周期性交通事件期间，BGA-ML相比标准GA在减少总行程时间方面表现如何？
• RQ3 将机器学习集成到GA中，在保持或提升解质量的同时，能在多大程度上降低计算时间？
• RQ4 在事件条件下，BGA-ML在多次运行中优化后的信号配时是否稳定且一致？
• RQ5 与无操作或基线GA相比，该方法在应急交通情景下对行程时间减少的影响如何？

主要发现

• XGBoost（XGBT）回归器在从信号配时方案预测总行程时间方面优于其他机器学习模型（GBDT、随机森林、线性回归）。
• 在事件条件下，BGA-ML相比标准GA方法将总行程时间减少了43%。
• 与无干预情景相比，BGA-ML实现了25%的总行程时间减少，显示出显著的运营效益。
• 由于用快速的机器学习推理替代仿真进行适应度评估，BGA-ML的计算时间显著低于标准GA。
• BGA-ML最终优化的相位时长在多次运行中标准差较低，表明其具有鲁棒性，并收敛到稳定解。
• 对最后一“代”染色体的统计分析表明，平均相位时长可产生可靠且接近最优的信号配时方案。