基于深度强化学习的信号控制干线交叉口自适应协调偏移
系统与控制
2022-08-30 v3 系统与控制
摘要
干线网络中交叉口的协调对城市交通系统性能至关重要。随着数据驱动的交通控制系统方法兴起，深度强化学习（RL）在交通控制研究中获得关注。迄今，提出的深度 RL 交通方案控制相位激活或时长。然而，此类方法可能为优化网络级车流而跳过若干周期的低流量路段。此处，我们提出一种深度 RL 框架，其基于交通状态动态调整偏移，并保留由基于模型的方法得出的计划相位时序与顺序。该框架使我们能够在保持相位顺序与时序可预测性的同时改善干线协调。使用经过验证与标定的交通模型，我们训练了旨在降低网络行程延误的深度 RL 智能体策略。我们通过将该策略性能与 Arcadia 市 Huntington Drive 一段部署的相位偏移进行比较来评估所得策略。所得策略根据交通需求变化动态重调相位偏移。仿真结果显示，所提深度 RL 智能体平均优于基线，在以 15 分钟间隔调整偏移时，于上午场景、中午场景和下午场景分别有效降低延误时间 13.21%、2.42% 和 6.2%。最后，我们还展示了智能体对极端交通状况（如非高峰时段需求激增与局部交通事件）的鲁棒性。
引用
@article{arxiv.2008.02691,
title = {Adaptive Coordination Offsets for Signalized Arterial Intersections using Deep Reinforcement Learning},
author = {Keith Anshilo Diaz and Damian Dailisan and Umang Sharaf and Carissa Santos and Qijian Gan and Francis Aldrine Uy and May T. Lim and Alexandre M. Bayen},
journal= {arXiv preprint arXiv:2008.02691},
year = {2022}
}