.png){kind=icon}
返回
Learning error distribution kernel-enhanced neural network methodology for multi-intersection signal control optimization
.png){kind=icon}
OA
AI
DOI：10.1111/mice.13522.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通拥堵已显著导致了显著的移动性和能源效率低下。在与人造智能（AI）模型相关的交通信号控制和管理中，已识别出许多研究挑战。例如，开发能够准确捕捉高分辨率交通属性的AI驱动的动态交通系统模型，并制定用于交通信号优化的鲁棒控制算法是困难的。此外，交通系统建模和控制过程中的不确定性可能会进一步复杂化交通信号系统的可控性。为部分解决这些挑战，本研究提出了一种新颖的、结合概率密度函数核整形技术的混合神经网络模型，以更好地构建交通系统动力学，并改进综合交通网络建模与控制。进行了数值实验测试，结果表明所提出的控制方法优于基线控制策略，平均将总体平均延误降低了11.64%。通过利用该创新模型的能力，本研究旨在应对与交通拥堵和能源效率低下相关的主要挑战，朝着更有效和自适应的AI基交通控制系统发展。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
9.1
论文数:
2.0K
被引数:
10.0K
机构
引用论文
.png){kind=icon}
Multi-modal traffic signal control with priority, signal actuation and coordination具有优先、信号驱动和协调功能的多模式交通信号控制
PREAI
分享收藏EMVLight: A multi-agent reinforcement learning framework for an emergency vehicle decentralized routing and traffic signal control systemEMVLight: 用于紧急车辆分散路由和交通信号控制系统的多主体强化学习框架OAAI
OAAI分享收藏分享收藏
查看更多内容