Traffic Signal Timing Optimization at Intersections Using an Improved Q-Learning Algorithm

doi:10.24846/v35i1y202603

Traffic Signal Timing Optimization at Intersections Using an Improved Q-Learning Algorithm

2026-03-01

0

PRE

AI

DOI：10.24846/v35i1y202603

原文链接

原文求助

摘要

En 中文

为解决传统交通信号控制方法在适应动态交通场景和多目标协同优化方面的局限性，本研究提出了一种萤火虫引导的混合深度Q网络（FH-DQN）算法以优化交叉口信号配时。该框架协同整合了基于萤火虫算法的群体智能与深度强化学习，采用亮度驱动的分层探索策略以提高动作选择效率。为平衡交通效率与环境可持续性，开发了一个包含车辆延误、排队长度、碳排放和交通流量的多目标动态奖励函数。算法架构包含以下创新组件：增强单个交叉口对突发拥堵响应能力的双网络协同结构；基于萤火虫算法优化原理和多目标动态奖励函数的自适应亮度更新规则，实现交叉口交通信号的动态调整。在Simulation of Urban Mobility（SUMO）平台上的大量实验表明，在典型十字交叉口场景中，FH-DQN算法相比固定配时和传统DQN方法表现出更优性能。具体而言，采用所提方法后车辆平均排队等待时间较DQN方法降低了26.09%。消融实验证实了动态奖励函数和全局网络组件对提升FH-DQN算法整体性能的独立贡献。总之，本研究为复杂城市路网中的协同交通信号优化提供了新颖框架，显著提升了智能交通系统的适应能力与多目标优化性能。未来工作可聚焦于将该算法适配至都市级网络，并整合多模态交通数据以增强所提模型的操作鲁棒性。

Keyword:

Intersection Traffic Lights Timing

Q-Learning Algorithm

Reinforcement Learning

Dynamic Reward Function

Firefly Algorithm

Regional Cooperative Control

Traffic Signal Timing Optimization at Intersections Using an Improved Q-Learning Algorithm

摘要

期刊

机构

引用论文