ICMLOct, 2019

部分检测智能交通信号控制：环境适应

PDF
TL;DR本研究旨在探究强化学习算法在 PD-ITSC 中应用的可行性及其应对瞬态变化场景的效果，结果表明相较于基于值函数的算法，基于策略的算法对于应对瞬态环境变化更加有效。
partially detected intelligent traffic signal controlreinforcement learning algorithmschanging environmentstraffic congestionadaptation
发现论文，激发创造
  • 利用强化学习和部分车辆检测实现智能交通信号控制

    本研究基于 DSRC，使用强化学习算法研发一种部分可观测智能交通系统，能够有效降低交叉口内车辆的平均等待时间，即使检测速率较低。

    Jul, 2018

  • 交通信号控制的关键综述及基于强化学习和模型预测控制方法的自适应交通信号控制新统一视角

    提出一种用马尔科夫决策过程描述控制器设计问题和解决方案建模的新型 ATSC 方法，并分析现有研究中常被忽视的系统性问题，并提出未来可能的解决方向。

    Nov, 2022

  • 利用人工智能缓解基于云的智能交通信号控制中的网络延迟影响

    本文提出一种基于强化学习的新型交通信号控制算法，适用于基于云计算等远程计算资源的智能交通信号控制系统，可以有效应对网络延迟的影响，并经过不同场景的大量模拟实验验证了该算法的可行性。

    Feb, 2020

  • 基于时空超图的多智能体强化学习交通信号控制

    提出了一种新颖的交通信号控制系统框架，通过与多个相邻的边缘计算服务器协作收集道路网络上的交通信息，采用多智能体软 actor-critic 强化学习算法结合超图学习，以实现交通信号控制的智能化，优化交通流量，并且能够捕捉多个交叉口之间的复杂时空相关性，实现更智能、更具响应性的城市交通管理解决方案。

    Apr, 2024

  • 基于深度强化学习的智能交通信号控制与 CO2 排放优化

    该研究报告介绍了一种名为 EcoLight 的奖励塑造方案，用于强化学习算法中，既可以减少二氧化碳排放，又可以在诸如旅行时间之类的指标上获得具有竞争力的结果。该研究比较了采用表格型 Q 学习、DQN、SARSA 和 A2C 算法的性能，使用的指标包括旅行时间、二氧化碳排放、等待时间和停车时间，考虑了多种道路使用者（卡车、公交车、汽车）和不同污染水平的多个场景。

    Oct, 2023

  • 真正的交易：将基于强化学习的交通信号控制系统向现实迈进的挑战和机遇综述

    本篇研究检验了强化学习对于交通信号控制中的应用，探讨了其中的挑战与不确定性，提出了需要更多系统性思维的研究来解决这些挑战。

    Jun, 2022

  • 自适应交通信号控制：深度强化学习算法，带有经验回放和目标网络

    本文提出了一种利用深度强化学习算法从实时交通原始数据中自动提取所有有用特征（机器制造的特征）并学习适应性交通信号控制的最优策略，以减少车辆延迟时间的方法，并通过模拟实验结果证明，与其他两种流行的交通信号控制算法相比，我们的算法将车辆延迟缩短了 47％和 86％。

    May, 2017

  • 基于离线强化学习的完全数据驱动实现逼真交通信号控制

    通过结合交通流理论和机器学习，我们提出了一种全面的数据驱动和免费模拟器的实现逼真交通信号控制框架 (D2TSC)。我们利用历史交通数据构建了一个奖励推断模型，通过粗粒度的交通数据来推断奖励信号，并进一步使用样本高效的离线 RL 方法，从真实世界交叉口的离线历史数据集中直接学习信号控制策略。通过广泛实验证明，我们的方法在传统方法和离线 RL 基准上取得了卓越的性能，并且具有更好的实际应用性。

    Nov, 2023

  • 实时网络级交通信号控制：一种显式的多智能体协调方法

    本研究提出了一种基于多智能体协作的在线规划方法，旨在实现适应性、实时和网络级交通信号控制（TSC），并证明这种方法能够有效提高交通流量的控制和性能。

    Jun, 2023

  • 弱合作多智能体交通控制问题的独立强化学习

    本研究使用独立强化学习解决复杂的交通协同控制问题，提出了一种部分可观测弱协同交通模型来优化一组路口的整体交通状况，并提出了 Cooperative Important Lenient Double DQN（CIL-DDQN）算法来应对其他智能体策略变化引起的经验失效问题，且该算法在交通控制问题的几乎所有性能指标方面优于其他方法。

    Apr, 2021