Een data scientist modelleert een stedelijk verkeerssysteem waarbij het verkeersgedrag bij elk verkeerslicht gecorreleerd is met de andere, onderhevig aan kleine willekeurige ruis. Welke modelleringsaanpak is het meest geschikt om patronen te analyseren en congestie te verminderen?

Het modelleren van een stedelijk verkeerssysteem met gecorreleerd gedrag tussen verkeerslichten en willekeurige ruis is bij uitstek geschikt voor multi-agent reinforcement learning (MARL). Elk verkeerslicht fungeert als een agent die beslissingen neemt die de andere beïnvloeden, wat een gecorreleerde evenwichtsstrategie vereist om de interacties te optimaliseren en congestie te verminderen. Een single-agent benadering negeert de onderlinge afhankelijkheid. Supervised learning op historische gegevens kan voorspellen, maar optimaliseert geen dynamisch gedrag voor nieuwe situaties. Unsupervised learning kan patronen ontdekken, maar is niet gericht op het vinden van een optimale controlestrategie voor congestievermindering.