考虑相邻干线交通的基于Q学习的集成高速公路交通控制

大量研究已表明智能交通系统技术（如可变限速（VSL）、换道（LC）控制和匝道调节（RM））在高速公路交通流控制中的有效性。这些技术的集成有潜力进一步提升高速公路和相邻干线网络的通行效率。为此，我们提出了一种高速公路交通控制（FTC）策略，该策略使用Q学习（QL）框架协调VSL、LC、RM动作，并考虑干线交通特征。相邻干线交叉口的信号配时和需求被纳入FTC智能体的状态变量。FTC智能体最初使用单段道路网络进行离线训练，随后部署在互联高速公路和干线仿真网络中持续在线学习。干线网络假设由基于周期长度模型的交通响应信号控制策略调节。微观仿真表明，在交通拥堵场景下，完全训练的FTC智能体显著减少了高速公路行程时间和停车次数。它明显优于非协调FTC和分散反馈控制策略。尽管FTC智能体不控制干线交通信号，但通过考虑干线交通状况来控制高速公路交通，它缩短了干线交叉口的平均排队长度。这些结果激励了未来将QL框架也纳入干线交通信号控制的研究。