基于去中心化联邦学习的现实城市交通生成器：用于 SUMO 模拟器
机器学习
2025-06-10 v1
摘要
现实的城市交通仿真对可持续城市规划和智能交通系统的开发至关重要。然而，生成能准确反映真实世界情况的高保真、时变交通概况，尤其是在大规模场景中，仍然是一个主要挑战。现有方法常因准确性、可扩展性不足或因中心化数据处理而引发隐私问题而受限。本工作引入 DesRUTGe（Decentralized Realistic Urban Traffic Generator），一个新型框架，将深度强化学习 (DRL) 智能体与 SUMO 模拟器集成，以生成符合现实感的 24 小时交通模式。DesRUTGe 的关键创新在于采用去中心化联邦学习 (DFL)，其中每个交通探测器及其对应的城市区域作为独立的学习节点。这些节点利用最小的历史数据训练本地 DRL 模型，并通过与选定的同行（例如相邻地理区域）交换模型参数来协同改进性能，而无需中心协调器。使用来自巴塞罗那市的真实数据进行评估，DesRUTGe 在生成更准确、更具隐私保护性的交通模式方面，超过了标准的 SUMO 工具如 RouteSampler，以及其他中心化学习方法。
引用
@article{arxiv.2506.07980,
title = {Realistic Urban Traffic Generator using Decentralized Federated Learning for the SUMO simulator},
author = {Alberto Bazán-Guillén and Carlos Beis-Penedo and Diego Cajaraville-Aboy and Pablo Barbecho-Bautista and Rebeca P. Díaz-Redondo and Luis J. de la Cruz Llopis and Ana Fernández-Vilas and Mónica Aguilar Igartua and Manuel Fernández-Veiga},
journal= {arXiv preprint arXiv:2506.07980},
year = {2025}
}
备注
21 pages, 7 figures