面向异构交通边界控制的广义多跳交通压力

边界控制（PC）可防止城市区域因拥堵而损失交通网络容量。同质PC允许受保护区域的所有入口点具有相同的允许流入量。然而，当受保护区域内的拥堵是异质的（例如，需求不均衡）时，同质PC表现不佳，因为它没有考虑每个边界交叉口周围的具体交通状况。当受保护区域存在空间异质性拥堵时，需要调节边界流入率，使其在低密度区域附近较高，反之在高密度区域附近较低。一种朴素的方法是利用1跳交通压力来衡量边界交叉口周围的交通状况，但这种度量对于PC来说空间视野过于短浅。为了解决这个问题，我们基于马尔可夫链理论构建了多跳下游压力，该压力可以“更深入地观察”边界交叉口之外的受保护区域。此外，我们构建了一个两阶段分层控制方案，该方案可以利用这种新颖的多跳压力来重新分配由预训练的深度强化学习同质控制策略提供的总允许流入量。实验结果表明，在起讫点流量高度不均衡且空间异质性高的场景下，我们利用多跳压力的异质PC方法显著优于同质PC。此外，通过敏感性分析，我们的方法被证明对转向比不确定性具有鲁棒性。