.png){kind=icon}
返回
FLight: optimization algorithm for traffic lights based on short-term traffic state forecast
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-025-06785-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
智能交通系统在建设智慧城市中发挥着关键作用。然而，现有的交通信号控制系统严重依赖专家知识，且缺乏对动态交通状态的自适应能力。大多数基于强化学习的方法使用当前信号相位和各车道排队长度等特征来定义交通状态。遗憾的是，这些方法忽略了实际交通流的空间-时间特性，并在设计信号策略时未能考虑移动车辆。本文提出了一种短期交通流预测模型，能够捕捉交通流的时空特征。我们的方法结合了时空卷积网络，用于从历史交通流中提取时间序列特征，并通过长短期记忆网络建模复杂的时序依赖关系，同时利用自注意力层通过权重分配获取更精确的时间依赖关系。我们还使用图注意力网络学习交叉口与相邻路口之间的空间特征。此外，我们提出了增强型交通状态表示方法，能够同时捕捉等待和移动车辆。该方法基于距离交叉口的距离将车道划分为多个区段，并统计不同区段行驶的车辆数量。与传统的交通信号控制方法及几种基于强化学习的算法相比，我们提出的算法取得了更优的结果，尤其是在真实数据集上，性能最高可提升4.57%。
Keyword:
Machine learning
Deep reinforcement learning
Adaptive traffic signal control
Multi-agent system
Attention mechanism
Traffic state forecast
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
.png){kind=icon}
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示
OAAI
OAAI分享收藏Mitigating Action Hysteresis in Traffic Signal Control with Traffic Predictive Reinforcement Learning基于交通预测强化学习的交通信号控制中滞后效应的缓解措施
PREAI
分享收藏Intelligent vehicle pedestrian light (IVPL): A deep reinforcement learning approach for traffic signal control智能车辆行人灯 (IVPL): 一种用于交通信号控制的深度强化学习方法
PREAI
分享收藏分享收藏MetaLight: Value-Based Meta-Reinforcement Learning for Traffic Signal ControlMetaLight: 基于价值的交通信号控制元强化学习
OAAI
OAAI分享收藏
查看更多内容