利用队列长度与注意力机制增强交通信号控制优化
机器学习
2024-05-03 v3 人工智能
系统与控制
系统与控制
摘要
近年来，用于交通信号控制（TSC）的强化学习（RL）技术日益流行。然而，大多数现有基于RL的TSC方法往往主要关注RL模型结构，而忽视了恰当交通状态表示的重要性。此外，一些基于RL的方法严重依赖专家设计的交通信号相位竞争。本文提出一种新颖的TSC方法，利用队列长度作为高效的状态表示。我们提出两种新方法：（1）最大队列长度（M-QL），一种基于队列长度特性设计的基于优化的传统方法；（2）AttentionLight，一种采用自注意力机制捕捉信号相位相关性且无需相位关系人类知识的RL模型。在多个真实世界数据集上的综合实验证明了我们方法的有效性：（1）M-QL方法优于最新的基于RL的方法；（2）AttentionLight达到了新的最先进性能；（3）我们的结果凸显了恰当状态表示的重要性，其在TSC方法中与神经网络设计同样关键。我们的发现对推进更高效且有效的TSC方法发展具有重要意义。我们的代码发布于Github（https://github.com/LiangZhang1996/AttentionLight）。
引用
@article{arxiv.2201.00006,
title = {Leveraging Queue Length and Attention Mechanisms for Enhanced Traffic Signal Control Optimization},
author = {Liang Zhang and Shubin Xie and Jianming Deng},
journal= {arXiv preprint arXiv:2201.00006},
year = {2024}
}
备注
16 pages, 5 figures