◆ 交通信号を AI で制御

　交通信号を AI で制御すると、渋滞が解消されて、省エネになる。

　──

　そう思って、方法を考えたすえに、その方法を書こうと思ったのだが、「どうせ誰かがすでに開発済みだ」と思って、ネットで調べたら、案の定だった。すでに開発済みで、導入済みだ。
　　→　渋滞解消の切り札になるか!?日本の道路交通問題を救うAI信号機（古い）
　　→　日本無線など、AIを活用して交通信号制御を高度化する技術を研究
　　→　スマート信号機を北京が導入へ | SciencePortal China（古い）
　　→　AI制御の信号機網導入に青信号。アリゾナ州で都市部の混雑軽減へ（最新）

　原理も示してある。
　　→　交通×ディープラーニング 。信号機にDQNを用いて、交通渋滞を改善させる
　これを見たら、私が考えたのと、ほぼ同様だった。ちっ。やっぱり、人の考えることは、誰も似たようなものらしい。

　──

　そこで、後出しジャンケンふうにはなるが、私の考えた方法を紹介しよう。

　基本となるのは、将棋の「評価関数」だ。これは、三つの駒の関係を考える。「三駒関係」とも言う。
　　→　高速に差分計算可能なニューラルネットワーク型将棋評価関数

　この「三駒関係」のパターンを、（仮想）ニューロンで深層学習する。
　　→　次世代の将棋思考エンジン、NNUE関数を学ぼう（その１．ネットワーク構造編）

　以上の方法は、将棋の NNUE という方法の紹介だ。（ニューロン・ネットワークのディープラーニングを使うことで、将棋ソフトの棋力を大幅に高めた方法。）

　──

　以上の方法を、交通信号に適用する。具体的には、こうだ。
　(1) 連続した三つの信号機の列を取る。その信号のパターンを変化させて、渋滞量が最小化する（ or 交通量が最大化する）というパターンを発見する。大量にシラミつぶしふうに試行錯誤すれば、最適なパターンが見つかるはずだ。これは部分最適化だ。
　(2) その (1) の方法を、全域で実施する。かくて、全域で部分最適化がなされる。
　(3) その新たな状態で、改めて、(1) の方法をやり直す。その部分以外の領域における信号の状態が、最初の初期状態とは違っているから、同じように (1) の計算をしても、最初とは異なった結果が得られるはずだ。
　(4) その (3) の方法を、全域で実施する。かくて、（新たに）全域で部分最適化がなされる。

　以上方法を次々と繰り返す。

　※　上の方針は、基本方針だ。「連続した三つの信号機の列を取る」というのが基本だが、他に、「A、B、C」「D、E、F」のかわりに、「B、C、D」や「 C、D、E」などを取ってもいい。また、２次元平面における直交方向の信号を取ってもいい。（その場合は３点でなく点になる。別記事 の 図 を参照。）

　……というのが、私の考えた方法だが、全然、独創的ではない。他人も同じようなことを考えていた。というか、私の考えた方法そのものが、他人の考えた方法のパクリだった。　(^^);

　※　将棋の NNUE という方法が興味深いので、それを紹介するのが主目的になっているかも。