.png){kind=icon}
返回
Game-Theoretic Multi-Agent Dynamic Traffic Assignment Using Congestion-Aware Adaptive Learning
.png){kind=icon}
PRE
AI
DOI：10.1049/itr2.70242.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种新颖的基于博弈论的多智能体框架，用于动态交通分配（DTA）问题，该框架集成了拥堵感知自适应学习机制，以在动态拥堵条件下同时降低个体出行时间和提高整体网络效率。首先，构建了一个基于势博弈的多智能体DTA框架。其次，设计了一种时变且拥堵感知的学习机制，以捕捉变化网络条件对出行决策的影响。第三，证明了全局收敛性，确保在特定条件下任何纳什均衡至少达到最优社会福利的50%，且最佳均衡与最优解一致。最后，基于SUMO的仿真表明，所提出的框架在Sioux Falls网络中，在轻至高扰动水平下，将链路流量和链路利用率的均方根误差分别降低至580辆和5%，优于基线DTA框架。
Keyword:
dynamic traffic assignment (DTA)
User equilibrium
game theory
management and control
congestion evaluation
traffic modeling
期刊
I
IF:
2.5
论文数:
180
被引数:
4.0K
机构
引用论文
暂无论文信息