デジタルツインに基づく深層強化学習アプローチによる適応型交通信号制御

都市の車両排出ガスは、大気汚染の主要な原因の一つであり、ほとんどの車両が化石燃料に依存しているため、ハイブリッドや電気自動車といった代替オプションの人気が高まっているにもかかわらず、問題は解決されていません。最近、人工知能（AI）や自動化に基づくコントローラーが、適応型交通信号制御における潜在的な利用のため注目を集めています。適応型交通信号制御において旅行時間を短縮するために、深層強化学習（DRL）モデルの適用に関する多くの研究が行われています。しかし、都市車両のCO2排出量と燃料消費を削減するように交通信号制御を適応させることに関する研究は限られています。このため、本研究は、都市交通ネットワークのデジタルツインに依存し、DRLマルチエージェント深層決定論的ポリシーグラデント（MADDPG）を使用して燃料消費とCO2排出量の削減を最適化するデジタルツインに基づく適応型交通信号制御アプローチを提案します。このシステムは、異なる交通シナリオと制御戦略をシミュレートするように設計されており、交通信号の調整における適応を可能にします。提案されたアプローチの効果と適用可能性を評価するために、ヨルダンのアンマンの近隣における多重交差点ネットワークからの合成および実世界の交通データセットを用いた定量シミュレーションがピーク時に実施されました。結果は、合成ネットワーク上のデジタルツインに基づくDRLアプローチが、停止車両に基づく基本的な報酬関数を使用した場合でも、CO2排出量と燃料消費を削減できることを示唆しています。