traffic signal control | BriefGPT

关键词traffic signal control

搜索结果 - 50

提高大规模交通信号控制的泛化能力和稳健性
本研究探讨了使用分布式强化学习方法控制交通信号灯的鲁棒性和泛化能力，提出了一种组合使用分布式和标准强化学习的策略集成方法，并使用隐式分位点网络（Implicit Quantile Networks）进行建模，在缺失的数据和不同的交通网络结构
PDFa year ago
IJCAI缺失数据下的交通信号控制强化学习方法
本文介绍了如何使用强化学习来解决城市道路网络中交通信号控制的问题。我们提出了两种解决方案：第一种方案使用状态值估计来进行自适应控制，第二种方案同时使用状态值和奖励值估计来训练强化学习模型进行自适应控制。我们在合成和实际道路网络交通方面进行了
PDFa year ago
SocialLight：面向网络范围交通信号控制的分布式协作学习
提出了一种名为 SocialLight 的基于多智能体强化学习和分布式学习的交通信号控制方法，通过估计个体对本地邻域的边际贡献来学习交通控制策略，解决了传统方法中合作性不足和无法扩展等问题，并经过在两个交通模拟器上的标准基准测试，结果表明
PDFa year ago
HumanLight: 交通信号控制中基于人类中心的深度强化学习激励拼车
使用强化学习与交通概念相结合的奖励函数，基于智能技术实现人性化的交通管理，该算法可应用于不同的网络配置下并取得了显著的成果。
PDFa year ago
数据或许足够：离线强化学习桥接现实交通信号控制
本文提出了一种基于循环离线数据集的数据驱动方法来解决真实交通信号控制中部署的问题。在仿真与真实环境中进行了广泛实验，结果表明，引入循环离线数据集的数据驱动方法在某些情况下可以实现令人满意的性能，COD 可以被视为用于交通信号控制问题的可靠离
PDFa year ago
基于 Nash Deep Q 网络方法的大规模交通信号控制
本文介绍了一种基于 nash equilibrium 的 off-policy nash deep Q-Network (OPNDQN) 算法，该算法克服了完全集中和多智能体强化学习方法的缺点，不仅可以在多个交叉口中找到纳什均衡，也能够解决
PDF2 years ago
混合动作空间交通信号控制的强化学习
本文介绍了一种基于混合近端策略优化的 RL 算法，称为 TBO，其实现了阶段和持续时间的同步优化。通过实验表明，与现有基线相比，TBO 平均可以将队列长度和延迟分别减少 13.78％和 14.08％，同时计算出移交权利的 Gini 系数表
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
DynamicLight: 利用 DRL 动态调整交通信号时长
本文提出了一个名为 DynamicLight 的两阶段深度强化学习框架，它使用最大队列长度选择正确阶段，并采用深度 Q 学习网络确定相应阶段的持续时间。在此基础上，还引入了两个变体。数字实验表明，DynamicLight 在确定相位持续时间
PDF2 years ago
ADLight：一种使用增强数据的强化学习交通信号控制通用方法
该研究提出了一种基于增强数据的强化学习方法来训练适用于不同结构的路口的通用模型，其中包括新的代理设计和数据增强方法，使得该模型的泛化性能更好，可以在 SUMO 交通模拟环境中测试其有效性，并成功将训练时间缩短了 80%，性能跟单一环境训练的
PDF2 years ago
EMVLight：应急车辆分散路由和交通信号控制系统的多智能体强化学习框架
本文提出了一种基于分散式强化学习的方法 (EMVLight)，通过一种创新的 RL 代理人和一种新型的基于压力的奖励函数，该方法可以学习网络级合作交通信号相位策略，不仅可以减少急救车行车时间，还可以缩短其他车辆的行驶时间。通过模拟实验，证明
PDF2 years ago
IJCAI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。
PDF2 years ago
交通信号控制的协作强化学习
该论文提出了一种协作多目标多智能体深度再强化学习算法（COMMA-DDPG），用于交通信号控制的全局优化和减少延迟等待时间。该算法在真实的亚洲交通数据集上进行了评估，相比目前最先进的方法，成功地减少了 60％的延迟时间。
PDF2 years ago
交通信号控制的随机集成强化学习
该研究提出一种名为 RElight 的动态学习交通信号控制策略的模型，并结合随机集成学习方法以避免陷入局部最优结果。研究还引入了 UTD 比率以控制数据重用数量，以提高数据利用率并在合成数据和实际数据上进行了实验以证明该方法优于现有最优方法
PDF2 years ago
学习协作式车辆路线调度方法，助力应急车辆快速到达
LEVID 是一种学习驱动的协作车路调度方法，包括实时路径规划和协作交通信号控制模块，能够相互交互并迭代地做出决策，实验证明其优于现有的基线方案。
PDF2 years ago
用于路面交通管制的离线强化学习技术
本研究基于批量强化学习的方法，运用基于惩罚项的自适应奖励方式在普通的循环交通信号控制策略下，构建出一个马尔可夫决策过程（MDP）的学习框架，不仅提高了对于不同分布情境的管理优化，还显著提高了交通信号控制的效率。
PDF2 years ago
AttentionLight: 交通信号控制中重新思考队列长度和注意力机制
本文针对交通信号控制中容易忽略交通状态表达的问题，通过重新设计车辆排队长度、提出任务状态表示队列长度 QL 及其基于自注意力机制的交通信号控制方法 AttentionLight 实现了交通信号控制的优化，同时通过对多组真实数据集进行全面实验
PDF3 years ago
ICML智能交通信号控制算法的比较研究
本文研究了一种通过马尔可夫决策过程和强化学习算法来优化交通信号控制的方法，使用模拟软件 SUMO 模拟了一个城市交叉口，讨论了循环调度器，反馈控制机制和深度 Q 网络等不同策略及其对交通流的影响，最终在班加罗尔的一个真实交叉口进行了测试验证
PDF3 years ago
ICML面向交通信号控制的强化学习实际应用
本文介绍了一个名为 LemgoRL 的基准工具，为了关闭现有交通信号控制器在简化的模拟环境下不能正确地执行任务的差距，提出在更真实的模拟环境中进行 RL 算法的训练，以在真实世界的交通系统中应用。通过在这个基准工具上训练一个深度 RL 算法
PDF3 years ago
AttendLight: 交通信号控制通用基于注意力的强化学习模型
提出了一个名为 AttendLight 的端到端强化学习算法，用于解决交通信号控制问题，该算法通过使用两个注意力模型训练单个通用模型来解决此问题，可以处理任何数量的路，车道，相位和交通流量。用全合成和实际标准基准数据集进行了实验，展示了在所
PDF4 years ago