.png){kind=icon}
返回
Human-Assisted Deep Reinforcement Learning (HADRL) for Multi-Objective Tram Optimisation Problem
.png){kind=icon}
OA
AI
DOI：10.3390/app16083683.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在城市铁路系统中，降低牵引能耗同时保持安全性、准点性和乘客舒适性仍然具有挑战性。此外，使用运营列车监控记录器（OTMR）日志训练深度强化学习（DRL）策略并进行多目标基准测试的路线级有轨电车研究仍然有限。本研究开发并评估了一种基于OTMR仿真的多目标有轨电车控制人机协同深度强化学习（HADRL）框架。使用人机协同动作映射训练了两个HADRL智能体：一个标准近端策略优化（PPO）基线和一种循环、历史增强的PPO。将它们与四名人类司机的表现进行了比较，比较指标包括限速合规性、时刻表偏差、牵引能耗、基于加加速度的舒适性以及停车精度。这些性能指标使用理想解逼近法（TOPSIS）进行聚合，采用了等权重和熵权两种权重方案。两个HADRL智能体重现了加速-滑行-制动驾驶模式，相对于所有人类基线减少了牵引能耗，并实现了近乎完全的限速合规性，同时仍在指定的时刻表偏差和舒适性阈值范围内。TOPSIS在两种权重方案下产生相同的排名，其中多目标有轨电车操作非平稳近端策略优化（MOTO-NSPPO，一种循环、历史增强的PPO）排名第一，PPO排名第二。
Keyword:
Human-Assisted Deep Reinforcement Learning (HADRL)
tram operation optimisation
energy efficiency
punctuality
passenger comfort
safety
parking accuracy
Operational Train Monitoring Recorder (OTMR) data
Proximal Policy Optimisation (PPO)
recurrent policy learning (LSTM)
multi-objective optimisation
TOPSIS
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
Optimal Control Algorithm for Subway Train Operation by Proximal Policy Optimization基于近端策略优化的地铁列车运行最优控制算法
PREAI
分享收藏Intelligent Energy-Efficient Train Trajectory Optimization Approach Based on Supervised Reinforcement Learning for Urban Rail Transits基于监督强化学习的城市轨道交通智能节能列车轨迹优化方法.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏A review of methods to measure and calculate train resistancesProceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit
Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid TransitIF0
PREAI
分享收藏Information-Theoretic-Entropy Based Weight Aggregation Method in Multiple-Attribute Group Decision-MakingEntropy
OAAI
EntropyIF0
OAAI分享收藏
查看更多内容