基于雾-云多智能体强化学习的可扩展交通信号控制
机器学习
2021-10-13 v1 人工智能
摘要
优化交叉口的交通信号控制（TSC）一直是一个具有挑战性的问题，尤其对于大规模交通网络而言。以往研究表明，优化单个或少量 TSC 系统的运行是可行的。然而，由于随着交叉口数量增加所遇到的维度灾难，将这些求解方法扩展到大型网络在计算上十分困难。幸运的是，近期研究已认识到利用深度与强化学习的进展来解决该问题的潜力，并在这方面取得了一些初步成功。然而，部署此类智能求解方法可能需要大量基础设施投资，如路边单元（RSUs）和无人机，以确保大型网络中各交叉口的全面连通，这对管理机构而言可能是沉重负担。因此，本研究基于近期工作，提出一种可减少所需使能基础设施数量的可扩展 TSC 模型。这是通过使用图注意力网络（GATs）作为深度强化学习的神经网络实现的，其有助于在保持交通网络图拓扑的同时忽略任何无关或不必要的信息。案例研究证明了所提模型的有效性，结果展现出良好前景。整体研究成果表明，通过利用雾节点分解大型网络，所提出的基于雾的图强化学习（FG-RL）模型可轻松扩展应用于更大规模的交通网络。
引用
@article{arxiv.2110.05564,
title = {Scalable Traffic Signal Controls using Fog-Cloud Based Multiagent Reinforcement Learning},
author = {Paul and Ha and Sikai Chen and Runjia Du and Samuel Labi},
journal= {arXiv preprint arXiv:2110.05564},
year = {2021}
}
备注
Under review for presentation at TRB 2022 Annual Meeting