.png){kind=icon}
返回
Intersec2vec-TSC: Intersection Representation Learning for Large-Scale Traffic Signal Control
.png){kind=icon}
PRE
AI
DOI：10.1109/TITS.2023.3340153.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交叉口网络构成了城市交通环境的基本骨架，交叉口的信息表示在智能交通系统中的广泛应用中起着重要的支撑作用。在本文中，我们提出了矢量交集模型，称为intersect2vec，以实现大型交集网络中每个交集的准确，高效和低维表示。它引入了具有注意机制的结构和时间模块，以具体表示时空维度中相交特征的演变，从而确保具有更强相关性的相交具有更高的共现概率。此外，我们提出的inters2vec模型通过支持更精确的子区域划分 (名为Intersec2vec-TSC)，被集成到基于深度强化学习的交通信号控制方法中。对于每个子区域，Intersec2vec-TSC采用分层结构设计agent，其中上层agent根据子区域的整体状态确定公共周期长度，下层agent联合训练一个集中式评价网络，实现每个路口绿灯时间的优化。利用真实的网约车数据在108个信号交叉口上进行实验，实验结果表明，与其他对比方法相比，我们提出的方法显著提高了子区域划分的稳定性，减少了高峰时段的汽车等待时间。
Keyword:
Intersection network
network representation learning (NRL)
attribute information
deep reinforcement learning (DRL)
traffic signal control (TSC)
期刊
IF:
8.4
论文数:
9.7K
被引数:
6.3W
机构
引用论文
Sustainability at stake during COVID-19: Exploring the role of accounting in addressing environmental crises新型冠状病毒肺炎期间的可持续性: 探索会计在应对环境危机中的作用
PREAI
分享收藏Oscillatory activity is not evident in the primate temporal visual cortex with static stimuli.png)
NeuroReport
NeuroReportIF0
PREAI
分享收藏Multi-Agent Deep Reinforcement Learning for Large-Scale Traffic Signal Control面向大规模交通信号控制的多智能体深度强化学习
OAAI
OAAI分享收藏
查看更多内容