基于强化学习的自适应交通信号控制：降低拥堵的转向式与时间式方法

城市地区的道路使用需求不断增长，导致显著的交通拥堵，这对仅凭基础设施扩张就能缓解的成本提出了巨大挑战。作为一种替代方案，通过优化现有交通管理系统，特别是通过自适应交通信号控制，为提供一种有前景的解决方案。本文探索了使用强化学习（RL）来提高交叉口的交通信号运行，以减少拥堵而无需广泛的传感器网络。我们引入了两种基于 RL 的算法：一种转向式智能体，根据实时队列长度动态优先级交通信号；一种时间式智能体，根据交通条件调整信号相位持续时间，同时遵循固定的相位周期。通过将状态表示为标量队列长度，我们的方法简化了学习过程，降低了部署成本。该算法在四个不同的交通情景中进行测试，使用七个评估指标全面评估性能。仿真结果表明，两种 RL 算法均显著优于传统交通信号控制系统，凸显了其在高效地改善城市交通流量方面的潜力。