基于多智能体深度强化学习的路网级交通信号控制优化
人工智能
2021-07-14 v1
摘要
低效的交通控制可能导致交通拥堵和能源浪费等诸多问题。本文提出一种新颖的多智能体强化学习方法，名为 KS-DDPG（知识共享深度确定性策略梯度），通过增强交通信号之间的协作来实现最优控制。通过引入支持知识共享的通信协议，每个智能体都可以访问由所有智能体收集的交通环境的集体表示。所提出的方法通过使用合成和真实世界数据集的两个实验进行了评估。与最先进的基于强化学习的方法和传统交通方法的比较表明，所提出的 KS-DDPG 在控制大规模交通网络和应对交通流波动方面具有显著效率。此外，所引入的通信机制也被证明可加速模型收敛，且不会显著增加计算负担。
引用
@article{arxiv.2104.09936,
title = {Network-wide traffic signal control optimization using a multi-agent deep reinforcement learning},
author = {Zhenning Li and Hao Yu and Guohui Zhang and Shangjia Dong and Cheng-Zhong Xu},
journal= {arXiv preprint arXiv:2104.09936},
year = {2021}
}