基于强化学习的自适应交通信号控制鲁棒性评估
机器学习
2026-03-17 v1
摘要
强化学习 (RL) 因其能够直接从与交通环境的交互中学习控制策略的无模型特性，越来越受到自适应交通信号控制的关注。然而，在 RL 基于的信号控制真正投入现场应用之前仍存在若干挑战。许多现有研究依赖简化的信号定时结构，对在不同交通需求条件下的训练模型鲁棒性评估不足，运行效率也在 traffic microscopic simulation 环境中训练 RL 算法时仍面临挑战。本研究提出一种能够代表现场信号控制器中八相位环栏配置的 RL 信号控制算法。该算法在不同交通需求条件下进行训练和评估，并与最先进的实用定时控制 (ASC) 进行基准测试。为评估鲁棒性，在多个交通流量和起降点 (O-D) 需求模式下进行实验，包括各种结构相似度。为提高训练效率，实现了分布式异步训练架构，使可在多个计算节点上并行仿真。案例研究交叉口的结果表明，所提出的 RL 基于信号控制显著优于优化后的 ASC，各运动向的平均延迟降低了 11-32%。在单个 O-D 模式下训练的模型对类似的不可见需求模式具有良好泛化，但在显著不同的需求条件下性能下降。相比之下，训练于多样化 O-D 模式的模型在鲁棒性方面表现突出，即使在高度不相似的不可见需求情境下也 consistently 优于 ASC。
引用
@article{arxiv.2603.15283,
title = {Evaluating the Robustness of Reinforcement Learning based Adaptive Traffic Signal Control},
author = {Dickens Kwesiga and Angshuman Guin and Khaled Abdelghany and Michael Hunter},
journal= {arXiv preprint arXiv:2603.15283},
year = {2026}
}