Metamodeling for stochastic simulation using GAN architecture

Abstract

시뮬레이션 최적화에서 메타모델은 시뮬레이션 모델의 입력과 출력의 관계를 설 명하는 모델이다. 이는 시뮬레이션 최적화 방법이 복잡한 시뮬레이션 환경에서 제한된 시간 내에 최적해를 구하기 어렵다는 문제를 해결하기 위해 도입되었다. 최 근에는 심층 신경망 모델을 기반으로 하는 메타모델이 기존의 모델들과 비교하여 우수한 성과를 보여주었다. 그러나 심층 신경망을 포함하여 기존의 메타모델은 시뮬레이션이 랜덤성을 가지고 있는 환경에서도 결정론적인 결과를 가정하여 문제를 모델링하여야 한다는 문제가 있다. 본 연구에서는 이 한계점을 극복하고자 심층 신경망 모델을 발전시켜 시뮬레이션 모델의 내재된 분포를 함께 학습할 수 있는 메타모델 프레임워크를 제안한다. 제안한 모델을 실제 교통 환경을 반영한 교통 신호 최적화 시뮬레이션 환경에서의 실험을 통해서 평가하였고, 실험을 통해서 확률적 시뮬레이션을 결정론적이라고 가정하는 것의 문제점을 확인하고 제안하는 모델이 이를 해결할 수 있음을 보였다. 또한 시뮬레이션의 랜덤성을 고려할 수 있는 모델이 그렇지 않은 기존 모델보다 최적의 해를 구할 수 있다는 것을 확인하였다.

Metamodel describes the relation between simulation inputs and outputs in simulation optimization. Simulation optimization takes a long time to solve in complicated simulations. To tackle this, a metamodel is introduced. Recent research shows deep neural network outperforms compared to other methods. However, the point that not only deep neural network but other metamodels use only small portion of stochastic outputs is their limitation. In this work, we propose a new metamodel framework based on GAN architecture to overcome the previous limitation. We experiment on traffic signal optimization simulation. We show the problem in using only small portion of stochastic outputs, and the proposed method can solve it. We also find the proposed model can find a more optimal solution than other simulation optimization methods