CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic...

文章目录

    • 1 简介
    • 2 Introduction
    • 3 CBEngine
    • 4 CBData
    • 5 CBScenario

1 简介

  • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第1张图片
  • 该文章预发表于arXiv,后为KDD 2023(CCF-A,数据库/数据挖掘/内容检索)接收

2 Introduction

  • 越来越多的研究倾向于使用real-time traffic data来进行交通控制策略的优化
    • 缺陷:数据量不足,难以支撑交通策略的训练;训练效果不叫可能进一步导致交通恶化
    • 交通模拟器能够为策略训练提供大量的数据受到关注
      • 疑问:数据真实性(分布效果)
  • 现有模拟方案的缺陷:
      1. 规模小:一般被限定在100各交叉口之内,难以扩展到city-level模拟
      1. 存在限定条件:例如假设模拟区域内无车辆增减等
      1. 数据集有限:此处的数据集指的是能够作为模拟器输入的路网数据;虽然现阶段各大城市的路网是完善的,但数据却难以获取,即使能够获取到也难以直接作为模拟器的输入使用;因此现阶段的做法主要是人工收集(处理)或使用公共数据集(但这些数据集的规模很小)
  • CBLab
    • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第2张图片
      1. CBEngine:一直city-level的microscopic交通模拟器;支持超过10,000个交叉口以及100,000辆车的模拟;模拟效率超过1:4(即现实1s,模拟4s) 单纯以模拟速度作为衡量标准,该速度并不快
      1. CBData:提供了超过100个城市的模拟输入 这点难能可贵
      1. CBSenarios:提供了一种交互式的交通控制策略训练方案;支持交通信号控制(signal control)以及拥塞收费(congestion pricing)策略 不完整

3 CBEngine

  • 即交通模拟器
  • 包含四大组件:道路(Roads)、交叉口(intersection)、信号灯(traffic signal light)、车辆(vehicle)
    • Roads:构成城市路网的拓扑结构,每一条Road包含多条Lane(车道),每条车道上可以包含多辆车
    • Intersetion:roads的关联结构(内部由多条Lane构成——lane links)
      • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第3张图片
    • Traffic signal light:通过true-false组合控制每条lane link的通行状态
    • Vehicle
    • 没有人流干扰
    • 没有详细介绍车辆组成:推测仅包含私家车(一般车辆)
  • 数据组成:
    • 状态数据(status)
    • 行动数据(actions)
    • 更新方案: s t + a t = s t + 1 s_t + a_t = s_{t+1} st+at=st+1
      • 即T时刻状态与T时刻行动作用得到T+1时刻状态
  • 车辆驾驶行为模型(Drving Model)
    • 即车辆如何控制加减速以及变道
    • 论文中使用的驾驶模型源自Cityflow(稍作修改)
    • 车辆速度控制的四条规则:
        1. 道路限速:每一条道路都有独立的限速
        1. Collision-free following & leading:车速不能过快(撞前车)不能过慢(撞后车)
        1. Cutting-in collision-free
        • 该模拟器支持车辆变道
        • 即变道不撞车
        1. Traffic signal safe speed:根据信号灯状态调整车速
      • 很常规
  • 高效性和可扩展性(efficiency and scalability)
    • 即针对大规模模拟进行的针对性设计
    • Parallel Design in Computing the Vehicle Behavior(针对efficiency)
        1. 将状态获取(GetVehicleStatus())与行为计算(GetVehicleAction())合并为一个计算过程 常规
        • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第4张图片
        1. 将车辆状态信息与计算线程(Thread)绑定而不是与Vehicle单元进行绑定
        • 空间消耗更小 问题:按照常规理解,无论数据绑定给哪个单位(Thread还是Vehicle),需求的数据量应该不会发生变化;例如车辆行为计算所需要的状态应该是保持不变的,这里没有解释清楚
        • 提升内存访问效率 即提升数据的空间局部性
          • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第5张图片
    • Lane Changing in Driving Model (针对Scalability)
      • 部分交通模拟器不支持常规变道(例如Cityflow)
      • CBLab支持车辆变道
    • Intersection Links(针对Scalability)
      • 即交叉口用Lane links表示的方案
      • 这里其实没有解释很清楚
  • 实验
    • 实验设备:Ubuntu20.04,40-core CPU,128G RAM
    • 对比:SUMO,Cityflow
    • Efficiency
      • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第6张图片
    • Scalability
      • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第7张图片
    • 当车辆数达到100,000时,CBEngine的单步模拟时间在0.2610s,单从这项数据来看,速度并没有很快
  • 合理性(Plausibility)
    • 基于车辆驾驶的速度分布以及平均速度描述Driving Model的合理性——这里有待商榷
    • 对比SUMO
    • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第8张图片
    • 速度分布相近但CBEngine的速度波动相交SUMO更大

4 CBData

  • 本质上是一个工具:提供了与CBEngine的对接能力
  • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第9张图片
  • Dataset:收集了超过100各城市的路网数据并开源 ------ 这里
  • Preprocessor
      1. 识别城市路网的点(node)线(edge)构成基础路网
      1. 数据清洗:删除无用数据
  • FlowGenerator
    • 交通流生成
    • 输入车辆数——返回每辆车的OD(origin-destination)
    • OD分布为平均分布
    • 默认路由为最短路由(shortest path)——可基于routing model进行修改
  • CBData还提供了两种基于真实交通数据的学习方法以提升模拟合理性
    • Learning to Simulate Driving
      • 针对Driving Model:目标是使得车辆能够更加合理的进行加减速以及变道
      • 背景:驾驶员行为并不是简单的规则能够进行规范以及说明的,不同环境下的驾驶行为可能有很大的区别
      • 学习目标:找到一组参数以尽量减小真实数据与模拟数据的average speed的差距
      • 参数集:最大加速度、最大减速度、限速
      • 数据集:深圳市两条道路上1个消失的GPS轨迹数据
      • 基于OpenBox进行优化寻参
      • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第10张图片
      • 该方案的环境单位为Road,也就是说默认不同道路的行为模式不同,而同一道路的行为模式相同
      • 没有考虑时间,天气等因素的影响
      • 以车辆周围环境为驾驶模式区别的出发点或许更具优势:具有更强的适应性
    • Learning to Simulate Routing
      • 文章中车辆的导航由自己决定
      • 训练目标:基于OD,导航模块能够给出与真实数据中的驾驶轨迹尽量相似的路径
      • 数据集:深圳市22条不同导航的轨迹数据
      • 训练方案:基于RNN进行训练
      • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第11张图片
      • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第12张图片
      • 训练结果倾向于忽略一些不长出现的路径
      • 这里的训练过程描述的不清晰

5 CBScenario

  • 提出了一种基于CBEngine的交通控制策略训练机制 —— 信号控制,拥塞收费
  • 本质上就是用需要被训练的控制策略替换原模拟器中的相关组件
  • CBLab: Supporting the Training of Large-scale Traffic Control Policies with Scalable Traffic..._第13张图片
  • 交通控制策略
    • 建模为Markov Decision Process
      • State:交叉口以及道路观测数据,统计数据等;例如道路上的等待车辆数、不同相位的平均通行车辆数等
      • Action:相位调整
      • Reward:交叉口总等待车辆数、action interval内的平均等待车辆数
  • 拥塞收费策略
    • 建模为MDP
      • State:车辆数、车辆平均速度
      • Action:道路价格
      • Reward:评估城市总体交通状况的指标,例如平均车辆形势长度

你可能感兴趣的:(论文解读与学习,城市模拟,交通模拟,KDD,论文阅读)