.png){kind=icon}
返回
Double deep network-based traffic signal optimization method for isolated intersections
.png){kind=icon}
PRE
AI
DOI：10.48130/dts-0026-0004.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究针对现有基于强化学习（RL）的交通信号控制方法的局限性，这些方法通常独立优化信号相位序列或相位时长。我们提出了一种基于双深度Q网络（DDQN）的新型联合优化框架，可同时确定相位序列和相位时长。为确保稳定性，基础相位时长采用经典的韦伯斯特方法确定。此外，通过整合微观和宏观交通特征（如排队长度和车辆延误），开发了一种混合状态表示。引入挤压-激励（SE）注意力机制，引导智能体关注关键交通属性。在SUMO平台进行的仿真实验表明，与传统固定时间控制和车辆感应控制策略相比，所提出的方法在中等至高交通需求下显著降低了平均排队长度和车辆旅行时间。结果表明，该方法对于复杂城市交叉口的智能信号控制具有有效性、鲁棒性和实用性。
Keyword:
Traffic signal control
Reinforcement learning
Double Deep Q -Network
Phase sequence
Phase duration
