区域自适应交通信号控制的单智能体强化学习模型
摘要
多项研究已运用强化学习（RL）解决区域自适应交通信号控制（ATSC）挑战并取得了令人鼓舞的成果。在该领域，现有研究主要采用多智能体框架。然而，多智能体框架在可扩展性方面存在挑战。相反，交通信号控制（TSC）问题需要单智能体框架。TSC本质上依赖于单个控制中心的集中管理，可监视研究区域内所有道路的交通状况并协调控制所有交叉口。本文提出一种基于单智能体RL的区域ATSC模型，兼容探测车辆技术。RL设计的关键组件包括状态、动作和奖励函数的定义。为便于学习和管理拥堵，状态与奖励函数均基于排队长度定义，而动作设计用于调节排队动力学。本文所采用的排队长度定义略有不同于常规定义，但与拥堵状态密切相关。更重要的是，这一定义允许使用探测车辆的链路行程时间数据可靠地估计。结合探测车辆数据已覆盖大多数城市道路，这一特性增强了所提方法在大规模部署中的潜力。该方法在SUMO仿真平台上进行了全面评估。实验结果表明，所提模型通过协调多交叉口控制有效缓解了大规模区域性拥堵水平。
引用
@article{arxiv.2511.00551,
title = {Single-agent Reinforcement Learning Model for Regional Adaptive Traffic Signal Control},
author = {Qiang Li and Ningjing Zeng and Lina Yu},
journal= {arXiv preprint arXiv:2511.00551},
year = {2026}
}
备注
A critical error in the methodology. The reported congestion control effects were not caused by the proposed signal timing optimization, but by an incorrect traffic volume scaling factor during evaluation. The traffic demand was not properly amplified, resulting in misleading performance gains. Due to the substantial nature of the error, completion of revisions is not feasible in the short term