Adaptive distributed multi-objective collaborative traffic signal control framework based on multi-agent reinforcement learning

doi:10.1016/j.future.2026.108526

Adaptive distributed multi-objective collaborative traffic signal control framework based on multi-agent reinforcement learning

2026-05-15

0

PRE

AI

DOI：10.1016/j.future.2026.108526

原文链接

原文求助

摘要

En 中文

随着城市道路交通的发展，多交叉口交通信号灯的自适应协调控制已成为智能交通系统领域的关键问题之一。随着各种算法的引入，深度强化学习（DRL）已展现出突出成果。然而，随着交通网络规模的增加，由于模型结构的限制，传统的深度Q网络（DQN）难以适应大规模动作空间。为解决此问题，本文提出了一种多目标分布式自适应协同通信框架。主要贡献如下：（i）提出了一种通用的局部交通网络划分方法，将交通网络拓扑划分为更小的子网络。（ii）将交通安全纳入考虑范围，以减少信号冲突率并有效降低交通事故发生率，同时以降低算法和通信复杂度实现更优性能。（iii）提出了一种完全自适应分布式框架，使每个交叉口仅通过局部信息即可协调整个交通网络，从而提高交通信号控制（TSC）的训练效率和可扩展性。实验结果表明，所提出的多目标分布式自适应邻域信息融合模型能够有效降低动作空间的维度，并显著提高多智能体交通信号控制的效率与安全性。与现有的最先进基准模型（如IVPL、EHC-HDQN、CODQN）相比，我们的自适应分布式智能学习（ADIL）模型具有显著优势。同时，通过消融实验，我们相比ADIL-NS将冲突率降低了7%，验证了多目标控制的交通安全性。与现有方法相比，所提出的ADIL方法不仅表现出更优性能，还具有更快的训练速度、更强的鲁棒性和安全性。

Keyword:

Multi-agent reinforcement learning

Traffic signal control

Distributed framework

Adaptive coordination

Multi-objective optimization

Adaptive distributed multi-objective collaborative traffic signal control framework based on multi-agent reinforcement learning

摘要

期刊

机构

引用论文