本文提出了一种基于相位竞争模型的交通信号控制方法FRAP，它利用强化学习算法实现了自适应，具备更好的解决方案和更快的收敛速度，同时在不同的道路结构和交通情况下实现了卓越的普适性。

May, 2019

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

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

通过对潜在的模拟参数分析和对两种策略（Domain Randomization和Model-Agnostic Meta-Learning）的研究，我们研究了交通信号控制系统中的现实差距问题，并在实验中证明这两种方法优于现有的强化学习算法，有望缓解现实差距。

Jul, 2023

利用大型语言模型（LLMs）通过基于提示的动作转换理解和建模系统动力学，以解决交通信号控制（TSC）任务中从模拟到实际应用的性能差距问题。

Aug, 2023

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

本研究介绍了一种创新方法，将大型语言模型（LLMs）与交通信号控制系统相结合，提供先进的推理和决策能力，以应对都市交通流量的复杂性和变动性。通过在感知和决策工具套件中引入LLMs，并将其放置在决策过程的核心位置，以结合外部交通数据和现有的交通信号控制方法，该方法在多种交通环境下表现出无需额外训练即可适应的高效性。在传感器故障情况下，相比传统基于强化学习（RL）的系统，该方法减少了平均等待时间20.4%。本研究的进展为交通信号控制策略带来重大突破，并为将LLMs整合到真实、动态场景中铺平了道路，突显其革命性改变交通管理的潜力。

Mar, 2024

通过将大型语言模型与强化学习相结合，我们提出了一个新颖的集成框架，旨在管理奖励函数中被忽视的元素和状态信息中的缺陷，从而增强强化学习代理的策略。经过广泛测试，我们的方法在降级通信条件下将平均等待时间减少了17.5％，突显了在智能交通系统中推进实际强化学习应用的潜力。

Jul, 2024

本研究旨在解决传统自适应交通信号优先算法在处理复杂非线性目标函数时的局限性，提出了一种基于模型的强化学习交通控制方法。通过在微观仿真环境中应用连接车辆数据，研究开发了一种事件驱动的交通信号优先控制RL代理，实现了公交车约21%的行程时间缩短，并对一般交通影响微小，具有重要的实用价值。

Jul, 2024

本研究解决了传统交通信号控制中缺乏公共交通信号优先（TSP）整合的问题。通过将TSP与多智能体强化学习（MARL）相结合，提出了一种新颖的信号控制策略，能够在协调十字路口中有效减少公交延误。研究结果表明，集中训练的TSP智能体在公交延误上最大可减少27%，显著提升了交通信号控制的效率。

Nov, 2024