基于深度强化学习与互联车辆的自适应公交信号优先控制：交通微观仿真环境研究
机器学习
2024-08-02 v1
摘要
无模型强化学习（RL）为基于数学规划的自适应公交信号优先（TSP）算法提供了一种潜在替代方案，后者需要复杂且非线性的目标函数。本研究将基于RL的交通控制扩展至包含TSP。利用微观仿真环境和互联车辆数据，开发并测试了一个TSP事件驱动的RL智能体，该智能体由另一个已开发的基于RL的通用交通信号控制器接管控制。当公交车辆进入交叉口的专用短程通信（DSRC）区域时，该智能体接管控制。结果表明，在饱和度为0.95的条件下，该TSP智能体可将公交旅行时间减少约21%，对常规交通的影响微乎其微。与带有TSP的感应信号控制相比，该TSP智能体在公交旅行时间上也略有更优表现。智能体与仿真的架构设计考虑了提升仿真运行时间效率的需求。
引用
@article{arxiv.2408.00098,
title = {Adaptive Transit Signal Priority based on Deep Reinforcement Learning and Connected Vehicles in a Traffic Microsimulation Environment},
author = {Dickness Kwesiga and Angshuman Guin and Michael Hunter},
journal= {arXiv preprint arXiv:2408.00098},
year = {2024}
}