ترجمه فارسی مقاله چارچوب بهینه سازی جعبه سیاه متا آفلاین برای طراحی تطبیقی ​​سیستم های مدیریت چراغ راهنمایی شهری

چکیده

Complex urban road networks with high vehicle occupancy frequently face severe traffic congestion. Designing an effective strategy for managing multiple traffic lights plays a crucial role in managing congestion. However, most current traffic light management systems rely on human-crafted decisions, which may not adapt well to diverse traffic patterns. In this paper, we delve into two pivotal design components of the traffic light management system that can be dynamically adjusted to various traffic conditions: phase combination and phase time allocation. While numerous studies have sought an efficient strategy for managing traffic lights, most of these approaches consider a fixed traffic pattern and are limited to relatively small road networks. To overcome these limitations, we introduce a novel and practical framework to formulate the optimization of such design components using an offline meta black-box optimization. We then present a simple yet effective method to efficiently find a solution for the aforementioned problem. In our framework, we first collect an offline meta dataset consisting of pairs of design choices and corresponding congestion measures from various traffic patterns. After collecting the dataset, we employ the Attentive Neural Process (ANP) to predict the impact of the proposed design on congestion across various traffic patterns with well-calibrated uncertainty. Finally, Bayesian optimization, with ANP as a surrogate model, is utilized to find an optimal design for unseen traffic patterns through limited online simulations. Our experiment results show that our method outperforms state-of-the-art baselines on complex road networks in terms of the number of waiting vehicles. Surprisingly, the deployment of our method into a real-world traffic system was able to improve traffic throughput by 4.80\% compared to the original strategy.

چکیده به فارسی (ترجمه ماشینی)

شبکه های جاده ای پیچیده شهری با اشغال وسایل نقلیه بالا غالباً با ازدحام شدید ترافیک روبرو می شوند.طراحی یک استراتژی مؤثر برای مدیریت چندین چراغ راهنمایی و رانندگی نقش مهمی در مدیریت احتقان دارد.با این حال ، بیشتر سیستم های فعلی مدیریت چراغ راهنمایی به تصمیمات ساخته شده توسط انسان متکی هستند ، که ممکن است به خوبی با الگوهای متنوع ترافیکی سازگار نباشد.در این مقاله ، ما به دو مؤلفه طراحی محوری سیستم مدیریت چراغ راهنمایی می پردازیم که می توانند به صورت پویا در شرایط مختلف ترافیک تنظیم شوند: ترکیب فاز و تخصیص زمان فاز.در حالی که مطالعات بیشماری به دنبال یک استراتژی کارآمد برای مدیریت چراغ راهنمایی بوده اند ، بیشتر این رویکردها یک الگوی ترافیک ثابت را در نظر می گیرند و به شبکه های جاده ای نسبتاً کوچک محدود می شوند.برای غلبه بر این محدودیت ها ، ما یک چارچوب جدید و عملی را برای تدوین بهینه سازی چنین اجزای طراحی با استفاده از یک بهینه سازی بوکس متا سیاه آفلاین معرفی می کنیم.سپس ما یک روش ساده و در عین حال مؤثر برای یافتن راه حلی برای مشکل فوق الذکر ارائه می دهیم.در چارچوب ما ، ابتدا یک مجموعه داده متا آفلاین متشکل از جفت گزینه های طراحی و اقدامات احتقان مربوطه از الگوهای مختلف ترافیک جمع آوری می کنیم.پس از جمع آوری مجموعه داده ها ، ما از فرآیند عصبی توجه (ANP) استفاده می کنیم تا تأثیر طرح پیشنهادی بر احتقان را در الگوهای مختلف ترافیکی با عدم اطمینان به خوبی پیش بینی کنیم.سرانجام ، بهینه سازی بیزی ، با ANP به عنوان یک مدل جانشین ، برای یافتن یک طراحی بهینه برای الگوهای ترافیک غیب از طریق شبیه سازی های محدود آنلاین استفاده می شود.نتایج آزمایش ما نشان می دهد که روش ما از خط مقدماتی پیشرفته در شبکه های جاده ای پیچیده از نظر تعداد وسایل نقلیه انتظار بهتر است.با کمال تعجب ، استقرار روش ما به یک سیستم ترافیک در دنیای واقعی توانست در مقایسه با استراتژی اصلی ، توان ترافیک را با 4.80 \ ٪ بهبود بخشد.