PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2608.30317v2cs.LG

링크 흐름 전파 안내 기반 강화학습을 활용한 동적 기종점 통행량 행렬의 온라인 추정

Online Estimation of Dynamic Origin-Destination Matrices Using Reinforcement Learning with Link-Flow Propagation Guidance

동적 기종점(OD, Origin-Destination) 행렬 추정은 관측된 링크 흐름(link flow)을 재현하도록 시뮬레이션을 위한 시변 입력 수요를 보정합니다. 학습된 정책이 단 한 번의 평가(evaluation)만으로 수요를 추정할 수 있기 때문에 강화학습(reinforcement learning)은 온라인 추정에 매우 적합하지만, 변동하는 목표 흐름으로 인해 집계된 보상(aggregate reward) 기반의 학습이 복잡해집니다. 본 연구에서는 시뮬레이션된 차량 전파 기록과 다운스트림 오류를 결합하여 개별 OD 요소를 유도하는 링크 흐름 전파 안내 기반 강화학습(LFPG-RL)을 제안합니다. 멜버른 간선 도로망에서 수집한 250개 평일 링크 흐름 궤적을 사용한 결과, LFPG-RL은 15분 간격당 평균 테스트 평균 제곱근 오차(RMSE) 7.41대, 평균 절대 백분율 오차 31.24%, 피어슨 상관계수 0.987을 달성했습니다. 최적화, 필터링, 그리고 안내가 없는 강화학습과의 비교 결과, 가장 강력한 기준선(baseline)인 전파 안내 기반 경사하강법(gradient descent) 대비 RMSE가 40.1% 감소했습니다. LFPG-RL은 빠른 수요 업데이트를 가능하게 하여 교통 시뮬레이션이 관측된 조건과 일치하도록 유지함으로써 교통 관리 전략의 평가를 지원합니다.

arXiv:2511.06229v3cs.LG

신용 할당을 고려한 미시적 교통 시뮬레이션의 동적 기종점 행렬 추정을 위한 심층 강화학습

Deep Reinforcement Learning for Dynamic Origin-Destination Matrix Estimation in Microscopic Traffic Simulations Considering Credit Assignment

미시적 교통 시뮬레이션의 동적 기종점 행렬 추정(DODE) 문제를 마르코프 결정 과정(MDP)으로 재정의하고, 신용 할당(credit assignment) 문제를 해결하기 위해 다중 이진 행동 공간을 가진 PPO 기반 심층 강화학습(DRL) 프레임워크를 제안한다. Nguyen-Dupuis 네트워크 실험과 Santa Clara·San Jose 실제 고속도로 네트워크 사례 연구에서 기존 최강 기준선 대비 링크 교통량 MSE를 각각 23.7%, 59.2~88.3% 감소시켰다.

arXiv:2307.05623v2cs.LG

출발-도착 시퀀스의 동적 추정을 위한 심층 학습 프레임워크

A DeepLearning Framework for Dynamic Estimation of Origin-Destination Sequence

교통 센서 교통량으로 동적 OD 시퀀스를 추정할 때 매개변수 과다·제약 부족으로 인한 비결정 문제와 혼잡 등으로 인한 지연(lag) 문제를 다루며, 심층 학습으로 OD 시퀀스의 공간·시간 구조를 추론하고 이를 구조적 제약으로 전통적 수치 최적화를 유도하는 통합 방법을 제안한다. 실험에서 신경망이 OD 시퀀스 구조를 효과적으로 추론해 최적화에 실용적 제약을 제공하고, 지연 문제를 완화하며 더 나은 추정 결과를 얻는다.