利用Transformer缓解自适应交通信号控制中的部分可观测性

高效的交通信号控制对于管理城市交通、减少拥堵以及提高安全性和可持续性至关重要。强化学习（RL）已成为增强自适应交通信号控制（ATSC）系统的一种有前景的方法，允许控制器通过与环境的交互来学习最优策略。然而，由于交通网络中的部分可观测性（PO），智能体的视野受限，阻碍了其有效性，从而带来了挑战。本文提出将基于Transformer的控制器集成到ATSC系统中，以有效解决PO问题。我们提出了提高训练效率和有效性的策略，并展示了在真实场景中改进的协调能力。结果展示了基于Transformer的模型从历史观测中捕获重要信息的能力，从而带来更好的控制策略和改善的交通流。本研究突出了利用先进的Transformer架构来增强城市交通管理的潜力。