基于深度强化学习的自适应交通控制：迈向最先进水平及超越
机器学习
2020-07-23 v1 机器学习
摘要
在这项工作中，我们研究使用强化学习（RL）的自适应数据引导的交通规划与控制。我们将从经典方法的简单使用转向深度 RL 领域的最先进水平。我们在算法中嵌入了若干近期技术以改进用于离散控制的原始深度 Q 网络（DQN），并讨论随之而来的交通相关解释。我们提出了一种新颖的基于 DQN 的交通控制算法（称为 TC-DQN+），作为快速且更可靠的交通决策工具。我们引入了一种新形式的奖励函数，并通过与传统交通控制方法比较的示例进一步讨论。
引用
@article{arxiv.2007.10960,
title = {Adaptive Traffic Control with Deep Reinforcement Learning: Towards State-of-the-art and Beyond},
author = {Siavash Alemzadeh and Ramin Moslemi and Ratnesh Sharma and Mehran Mesbahi},
journal= {arXiv preprint arXiv:2007.10960},
year = {2020}
}