基于多目标深度强化学习的自适应交通信号安全与效率提升
机器学习
2024-08-05 v1 人工智能
摘要
本研究提出了一种基于多目标深度强化学习（DRL）技术的自适应交通信号控制（ATSC）创新方法。该方法旨在同时提升交叉口的控制策略，兼顾安全、效率和脱碳目标。传统的 ATSC 方法通常优先考虑交通效率，且往往难以适应实时动态交通状况。为应对这些挑战，本研究提出了一种基于 DRL 的 ATSC 算法，该算法融合了 Dueling Double Deep Q Network（D3QN）框架。该算法的性能在长沙的一个仿真交叉口上进行了评估。值得注意的是，所提出的 ATSC 算法在交通冲突减少超过 16%、碳排放减少 4% 方面均超越了传统 ATSC 以及仅关注效率优化的 ATSC 算法。在交通效率方面，与传统 ATSC 相比等待时间减少了 18%，但与集成 D3QN 框架的 DRL-based ATSC 算法相比略有增加（0.64%）。这一微小增幅表明效率与其他目标（如安全和脱碳）之间存在权衡。此外，所提出的方法在所有三个目标上均表现出优越性能，尤其是在交通需求高的场景中。这些发现通过为真实交通场景中的信号控制策略优化提供实用有效的解决方案，有助于推动交通控制系统的发展。
引用
@article{arxiv.2408.00814,
title = {Adaptive traffic signal safety and efficiency improvement by multi objective deep reinforcement learning approach},
author = {Shahin Mirbakhsh and Mahdi Azizi},
journal= {arXiv preprint arXiv:2408.00814},
year = {2024}
}