一种用于公平交通信号控制的深度强化学习方法
机器学习
2021-07-22 v1 人工智能
摘要
交通信号控制是城市地区最有效的交通管理手段之一。近年来，基于深度强化学习（DRL）的交通控制方法因能利用实时交通数据而受到关注，这类数据常被传统手工设计方法所忽视。尽管近期多数基于 DRL 的方法聚焦于最大化吞吐量或最小化车辆平均行程时间，交通信号控制器的公平性却常被忽略。这一点尤为重要，因为忽视公平性会导致某些车辆经历极端等待时间，或某一特定交通流的吞吐量深受交叉口中另一冲突交通流波动的影响。为解决这些问题，我们引入两种公平性概念：基于延迟的公平性与基于吞吐量的公平性，分别对应上述两方面问题。此外，我们提出两种基于 DRL 的交通信号控制方法以实现这些公平性概念，同时仍能保持高吞吐量。我们使用三种交通到达分布评估所提方法的性能，发现所提方法在测试场景中优于基线方法。
引用
@article{arxiv.2107.10146,
title = {A Deep Reinforcement Learning Approach for Fair Traffic Signal Control},
author = {Majid Raeis and Alberto Leon-Garcia},
journal= {arXiv preprint arXiv:2107.10146},
year = {2021}
}
备注
7 pages, Accepted at ITSC 2021 (International Conference on Intelligent Transportation Systems)