This paper proposed a novel framework for effective intelligent traffic light management system. This research focuses on searching for an optimal phase combination and phase time allocation scheme for diverse traffic patterns adaptively. This framework first collect an offline meta dataset consists of different phase combination or phase time allocation scheme and corresponding traffic congestion measure across diverse traffic patterns. Then, it trains an Attentive Neural Process (ANP) to predict the congestion measure when deploying a certain traffic light scheme on various traffic patterns. Finally, it uses Bayesian optimization with the trained ANP as a surrogate model, to find an optimal scheme for unseen traffic pattern with a few number of online simulations. Extensive simulation-based experiments show that our framework surpasses prior methods. Furthermore, the suggested framework is deployed into real-world traffic light management system and makes a real improvement of traffic flow compared to original method.
본 연구에서는 실제 지능형 신호등 관리 시스템에 적용될 수 있는 새로운 프레임워크인 오프라인 메타 블랙 박스 최적화 프레임워크를 제안한다. 특히 본 연구에서는 시시각각 바뀌는 교통 패턴에 대해 가장 효율적인 신호 조합과 신호 시간 분배 전략을 찾는 데에 집중하였다. 제안된 프레임워크는 우선 교통 시뮬레이터에서 만든 다양한 교통 상황에 대한 여러 신호 조합 혹은 신호 시간 분배 전략에 따른 교통 체증 변화에 대한 오프라인 메타 데이터셋을 구축한다. 그 다음 뉴럴 프로세스 라는 모델을 활용해 특정 전략을 도입했을 때의 교통 체증 변화를 예측한다. 마지막으로, 학습된 모델을 활용한 베이지안 최적화를 통해 적은 시뮬레이션으로도 빠르게 새로운 교통 상황에 맞는 전략을 찾아낸다. 다양한 시뮬레이션 기반 실험을 통해 제안된 방법론이 기존 방법론들에 비해 효과적임을 입증하였다. 또한 실제 교통 시스템에 해당 방법론을 적용하였을 때, 기존 시스템에 비해 교통 체증을 완화하는 것을 확인하였다.
