Buchumschlag

HALO: Hierarchical Reinforcement Learning for Large-Scale Adaptive Traffic Signal Control

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhu, Yaqiao, Wen, Hongkai, Min, Geyong, Luo, Man
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TrajWeaver: Trajectory Recovery with State Propagation Diffusion Model
von: Wang, Jinming, et al.
Veröffentlicht: (2024)

TRACE: Trajectory Recovery with State Propagation Diffusion for Urban Mobility
von: Wang, Jinming, et al.
Veröffentlicht: (2026)

Single-agent Reinforcement Learning Model for Regional Adaptive Traffic Signal Control
von: Li, Qiang, et al.
Veröffentlicht: (2025)

Generalized Phase Pressure Control Enhanced Reinforcement Learning for Traffic Signal Control
von: Liao, Xiao-Cheng, et al.
Veröffentlicht: (2025)

A Hierarchical Deep Reinforcement Learning Framework for Traffic Signal Control with Predictable Cycle Planning
von: Gu, Hankang, et al.
Veröffentlicht: (2025)

ADLight: A Universal Approach of Traffic Signal Control with Augmented Data Using Reinforcement Learning
von: Wang, Maonan, et al.
Veröffentlicht: (2022)

Fleet Rebalancing for Expanding Shared e-Mobility Systems: A Multi-agent Deep Reinforcement Learning Approach
von: Luo, Man, et al.
Veröffentlicht: (2022)

Communication Strategy on Macro-and-Micro Traffic State in Cooperative Deep Reinforcement Learning for Regional Traffic Signal Control
von: Gu, Hankang, et al.
Veröffentlicht: (2025)

No More Adam: Learning Rate Scaling at Initialization is All You Need
von: Xu, Minghao, et al.
Veröffentlicht: (2024)

Robust Single-Agent Reinforcement Learning for Regional Traffic Signal Control Under Demand Fluctuations
von: Li, Qiang, et al.
Veröffentlicht: (2025)

MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control
von: Zhu, Liwen, et al.
Veröffentlicht: (2021)

SpreadFGL: Edge-Client Collaborative Federated Graph Learning with Adaptive Neighbor Generation
von: Zhong, Luying, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for Traffic Light Control in Intelligent Transportation Systems
von: Zhu, Ming, et al.
Veröffentlicht: (2023)

Bayesian Critique-Tune-Based Reinforcement Learning with Adaptive Pressure for Multi-Intersection Traffic Signal Control
von: Duan, Wenchang, et al.
Veröffentlicht: (2024)

OffLight: An Offline Multi-Agent Reinforcement Learning Framework for Traffic Signal Control
von: Bokade, Rohit, et al.
Veröffentlicht: (2024)

Federated Learning for Traffic Flow Prediction with Synthetic Data Augmentation
von: Orozco, Fermin, et al.
Veröffentlicht: (2024)

Multi-hop Upstream Anticipatory Traffic Signal Control with Deep Reinforcement Learning
von: Li, Xiaocan, et al.
Veröffentlicht: (2024)

Planning Under Observation Mismatch for Traffic Signal Control via Adaptive Modular World Models
von: Huang, Zherui, et al.
Veröffentlicht: (2025)

Unicorn: A Universal and Collaborative Reinforcement Learning Approach Towards Generalizable Network-Wide Traffic Signal Control
von: Zhang, Yifeng, et al.
Veröffentlicht: (2025)

Efficient Traffic Forecasting on Large-Scale Road Network by Regularized Adaptive Graph Convolution
von: Wu, Kaiqi, et al.
Veröffentlicht: (2025)

LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments
von: Wang, Maonan, et al.
Veröffentlicht: (2024)

Online Control of Adaptive Large Neighborhood Search using Deep Reinforcement Learning
von: Reijnen, Robbert, et al.
Veröffentlicht: (2022)

Federated Hierarchical Reinforcement Learning for Adaptive Traffic Signal Control
von: Fu, Yongjie, et al.
Veröffentlicht: (2025)

GPLight+: A Genetic Programming Method for Learning Symmetric Traffic Signal Control Policy
von: Liao, Xiao-Cheng, et al.
Veröffentlicht: (2025)

FitLight: Federated Imitation Learning for Plug-and-Play Autonomous Traffic Signal Control
von: Ye, Yutong, et al.
Veröffentlicht: (2025)

Embracing Large Language Models in Traffic Flow Forecasting
von: Zhao, Yusheng, et al.
Veröffentlicht: (2024)

Adaptive Preference Scaling for Reinforcement Learning with Human Feedback
von: Hong, Ilgee, et al.
Veröffentlicht: (2024)

DataLight: Offline Data-Driven Traffic Signal Control
von: Zhang, Liang, et al.
Veröffentlicht: (2023)

Understanding Behavioral Metric Learning: A Large-Scale Study on Distracting Reinforcement Learning Environments
von: Luo, Ziyan, et al.
Veröffentlicht: (2025)

Bidirectional-Reachable Hierarchical Reinforcement Learning with Mutually Responsive Policies
von: Luo, Yu, et al.
Veröffentlicht: (2024)

Large Scale Constrained Clustering With Reinforcement Learning
von: Schesch, Benedikt, et al.
Veröffentlicht: (2024)

Scalable On-Policy Reinforcement Learning via Adaptive Batch Scaling
von: Park, Jongchan
Veröffentlicht: (2026)

A Semi Centralized Training Decentralized Execution Architecture for Multi Agent Deep Reinforcement Learning in Traffic Signal Control
von: Rezaali, Arash, et al.
Veröffentlicht: (2025)

Cog-Rethinker: Hierarchical Metacognitive Reinforcement Learning for LLM Reasoning
von: Sun, Zexu, et al.
Veröffentlicht: (2025)

A Dual Large Language Models Architecture with Herald Guided Prompts for Parallel Fine Grained Traffic Signal Control
von: Guo, Qing, et al.
Veröffentlicht: (2025)

SymLight: Exploring Interpretable and Deployable Symbolic Policies for Traffic Signal Control
von: Liao, Xiao-Cheng, et al.
Veröffentlicht: (2025)

TransferLight: Zero-Shot Traffic Signal Control on any Road-Network
von: Schmidt, Johann, et al.
Veröffentlicht: (2024)

Adaptive Rank Allocation for Federated Parameter-Efficient Fine-Tuning of Language Models
von: Wu, Fei, et al.
Veröffentlicht: (2025)

TrafficGPT: Towards Multi-Scale Traffic Analysis and Generation with Spatial-Temporal Agent Framework
von: Ouyang, Jinhui, et al.
Veröffentlicht: (2024)

Applying Reinforcement Learning to Optimize Traffic Light Cycles
von: Son, Seungah, et al.
Veröffentlicht: (2024)