adaptive traffic signal control | BriefGPT

关键词adaptive traffic signal control

搜索结果 - 10

CycLight：使用循环级策略学习交通信号配合
本研究引入了 CycLight，一种新颖的基于循环层次的深度强化学习方法，用于网络级自适应交通信号控制系统。与大多数传统的基于强化学习的交通控制器不同，CycLight 采用了循环层次的策略，使用参数化深度 Q 网络算法同时优化循环长度和分
PDF6 months ago
交通信号控制的多智能体深度强化学习新方法
随着旅游需求的增加和城市交通状况的复杂化，采用多智能体深度强化学习 (MARL) 来控制交通信号成为热门话题。本文提出了一种基于智能体合作方案的 Friend-Deep Q-network (Friend-DQN) 方法，以用于城市网络中的
PDFa year ago
大规模网格交通网络区域信号控制的多智能体强化学习
本文提出了一种基于区域划分的交通信号控制方法，使用多智能体强化学习技术，利用基于交通网络分区的扩展分支决斗 Q 网络算法，解决方法众多、非稳定性问题和优化联合行动问题，提高了解决方案的鲁棒性。
PDFa year ago
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。
PDF2 years ago
AAAISafeLight：一种强化学习方法，用于实现无碰撞交通信号控制
通过强化学习技术实现道路交通信号控制的自适应，并针对交通事故的发生率，提出了一种安全性增强的残差强化学习方法，实验表明该方法可以显著降低碰撞率并提高交通流动性。
PDF2 years ago
IJCAITinyLight: 面向极限资源设备的自适应交通信号控制
本文提出的 TinyLight，是一个为了极度有限的设备设计的基于深度加强学习的自适应交通信号控制模型，使用熵最小化目标函数自动减少超图中的边缘，大大降低资源消耗。
PDF2 years ago
DynSTGAT：动态时空图注意力网络用于交通信号控制
本论文提出了一种名为 DynSTGAT 的神经网络框架，该框架结合了动态历史状态和新的时空图注意力网络，旨在解决现有方法未充分利用空间 - 时间关联性的问题，提高交通信号控制的性能。
PDF3 years ago
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
PDF3 years ago
CVLight：利用连接车辆进行自适应交通信号控制的分散式学习
本研究提出了一种名为 CVLight 的分散式增强学习方案，应用于多交叉口自适应交通信号控制，利用了来自互联车辆的数据，提出了新算法 Asym-A2C，通过全面的实验，证明 CVLight 在各种交通需求和覆盖率下都优于现有算法，并展示了
PDF3 years ago
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
PDF7 years ago