用于城市交通灯管理系统自适应设计的离线元黑盒优化框架

车辆密集运行的复杂城市道路网络经常面临严重的交通拥堵。设计有效的多交通灯管理策略在拥堵管理中起着关键作用。然而，大多数当前交通灯管理系统依赖于人工设计的决策，可能无法很好地适应多样化的交通模式。本文深入研究了交通灯管理系统中可动态调整以适应各种交通条件的两个关键设计组件：相位组合与相位时间分配。虽然已有大量研究寻求高效的交通灯管理策略，但大多数方法考虑的是固定交通模式且局限于相对较小的道路网络。为克服这些限制，我们引入了一种新颖且实用的框架，利用离线元黑盒优化来形式化这些设计组件的优化问题。随后我们提出了一种简单而有效的方法来高效地为上述问题寻找解。在我们的框架中，我们首先收集一个离线元数据集，其中包含来自各种交通模式的设计选择与对应拥堵度量配对。收集数据集后，我们采用注意力神经过程（ANP）来以校准良好的不确定性预测所提设计在各种交通模式下的拥堵影响。最后，以 ANP 为代理模型的贝叶斯优化被用于通过有限的在线仿真为未见交通模式寻找最优设计。实验结果表明，我们的方法在复杂道路网络上以等待车辆数衡量优于最先进的基线。令人惊讶的是，将我们的方法部署到真实交通系统中，相比原始策略将交通通行能力提升了 4.80%。