基于多智能体强化学习的街道停车位动态配置
机器学习
2025-12-03 v1
摘要
随着出行需求的不断增加，交通拥堵已成为大多数城市地区的主要关切。为街道停车分配空间进一步阻碍了交通流，通过限制可用于行驶的有效道路宽度。随着车联网技术的发展，我们探讨了如何通过动态配置街道停车位来最小化街道停车对交通拥堵的影响。为此，我们将动态街道停车位配置问题形式化为一个优化问题，并遵循数据驱动的方法，考虑到问题的本质。我们的 proposed solution 包括一个两层基于多智能体强化学习的框架，具有针对大型道路网络的内在可扩展性。路段级智能体负责为每个路段决定最佳停车位配置，我们引入一种新型深度 Q 学习架构，有效利用长短期记忆网络和图注意力网络来捕捉给定问题中显现的时空相关性。区块级智能体控制路段级智能体的行为，并保持 sufficient 的停车位。我们使用 SUMO 在合成数据和来自墨尔本市的真实数据上进行一系列全面的实验。我们的实验表明，所提出的框架能够显著减少车辆的平均旅行时间损失，最高可达 47%，同时行驶距离增加的影响可以忽略不计。
引用
@article{arxiv.2512.02406,
title = {Dynamic Configuration of On-Street Parking Spaces using Multi Agent Reinforcement Learning},
author = {Oshada Jayasinghe and Farhana Choudhury and Egemen Tanin and Shanika Karunasekera},
journal= {arXiv preprint arXiv:2512.02406},
year = {2025}
}