Mobility-Predicted Edge Caching and Intelligent Traffic Signal Control
연구 내용
차량 모빌리티와 콘텐츠 수요 변화를 예측해 엣지 캐싱을 최적화하고, 신호 배분을 강화학습으로 제어하는 연구
차량 요청이 원격 서버로 집중될 때 발생하는 지연 문제를 완화하기 위해, RSU와 차량에 캐싱 노드를 두고 콘텐츠 저장을 최적화하는 연구를 수행합니다. 차량 이동 속도가 높아 위치가 빠르게 변하므로, 시공간 특성을 이용해 LSTM으로 차량 위치를 예측하고, 예측 결과를 기반으로 캐싱 위치와 콘텐츠 유형을 결정합니다. 콘텐츠 인기도의 시간 변동에 대응하기 위해 DDPG 기반으로 각 캐싱 노드에 저장할 콘텐츠 크기를 동적으로 결정하고, 지연 제약 만족도와 업데이트 비용을 함께 고려합니다. 또한 스마트 시티 교통 신호 제어에서는 큐 길이와 처리량을 보상 파라미터로 설정하여 deep Q-network가 최적의 그린 신호 배분 순서를 산출하도록 구성합니다. 이를 통해 네트워크 관점의 지연·처리량 제어와 교통 흐름 제어를 연동하는 접근을 보유합니다.
관련 연구 성과
관련 논문
0편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
차량 요청 지연을 줄이기 위해 캐싱을 엣지로 이동시키는 문제를 출발점으로 설정하고, 2023년에는 이동 예측을 포함한 캐싱 전략을 제안했습니다. 차량 위치 예측에는 LSTM을 사용하고, DDPG로 캐싱 콘텐츠 저장 크기를 시간에 따라 조절하여 지연 제약과 처리량 관점의 성능을 개선했습니다. 이후 교통 신호 제어로 확장하여 2022년에는 deep Q-network 기반의 신호 배분 순서 결정을 수행하는 연구를 진행했습니다. 큐 길이 표준편차를 신호 배분 성능의 핵심 요소로 반영하고, 처리량과 큐 분산을 함께 고려하는 보상 설계를 통해 실시간 제어 관점의 적용 가능성을 확보했습니다. 전반적으로 모빌리티·큐 기반 상태 정보를 강화학습 의사결정에 연결하는 흐름으로 축적되었습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.