近年来深度强化学习作为一种高效可靠的机器学习方法被广泛应用在交通信号控制领域。目前,现有交通信号配时方法通常忽略了特殊车辆(例如救护车、消防车等)的优先通行;此外,基于传统深度强化学习的信号配时方法优化目标较为单一,导致其...近年来深度强化学习作为一种高效可靠的机器学习方法被广泛应用在交通信号控制领域。目前,现有交通信号配时方法通常忽略了特殊车辆(例如救护车、消防车等)的优先通行;此外,基于传统深度强化学习的信号配时方法优化目标较为单一,导致其在复杂交通场景中性能不佳。针对上述问题,基于Double DQN提出一种融合特殊车辆优先通行的双模式多目标信号配时方法(Dual-mode Multi-objective signal timing method based on Double DQN,DMDD),以提高不同交通场景下路口的通行效率。该方法首先基于路口的饱和状态选择信号控制模式,特殊车辆在紧急控制模式下被赋予更高的通行权重,有利于其更快通过路口;接着针对等待时长、队列长度和CO 2排放量3个指标分别设计神经网络进行奖励计算;最后利用Double DQN进行最优信号相位的选择,通过灵活切换信号相位以提升通行效率。基于SUMO的实验结果表明,DMDD与对比方法相比能有效缩短路口处特殊车辆的等待时长、队列长度和CO 2排放量,特殊车辆能够更快通过路口,有效地提高了通行效率。展开更多
随着城市交通需求量的快速增加,过饱和的交通流在早晚高峰时段出现得愈发频繁。现有的交通信号配时方法通常针对非饱和交通流进行设计,其在过饱和交通流情况下往往无法发挥其优势;其主要缺陷在于未区分过饱和与非饱和信号相位,导致过饱...随着城市交通需求量的快速增加,过饱和的交通流在早晚高峰时段出现得愈发频繁。现有的交通信号配时方法通常针对非饱和交通流进行设计,其在过饱和交通流情况下往往无法发挥其优势;其主要缺陷在于未区分过饱和与非饱和信号相位,导致过饱和信号相位未被分配足够的绿灯时间,同时非饱和信号相位的绿灯时间利用率较低。针对上述问题,提出一种基于模糊控制的过饱和交通流配时方法(Fuzzy Control based Timing Method for Oversaturated Traffic Flows,FCTO)。在过饱和的交通流情况下,该方法首先基于改进的Webster配时法设置合理的初始信号周期,接着基于模糊控制确定各相位的绿延时间,最后结合各相位的初始绿灯时间和绿延时间确定最终的绿灯时间。基于开源仿真平台SUMO和真实交通流数据的实验结果表明,所提FCTO方法与其他方法相比较,在高峰时段其平均停车时长、车辆速度和拥塞车辆数方面表现出更优的性能。展开更多
文摘近年来深度强化学习作为一种高效可靠的机器学习方法被广泛应用在交通信号控制领域。目前,现有交通信号配时方法通常忽略了特殊车辆(例如救护车、消防车等)的优先通行;此外,基于传统深度强化学习的信号配时方法优化目标较为单一,导致其在复杂交通场景中性能不佳。针对上述问题,基于Double DQN提出一种融合特殊车辆优先通行的双模式多目标信号配时方法(Dual-mode Multi-objective signal timing method based on Double DQN,DMDD),以提高不同交通场景下路口的通行效率。该方法首先基于路口的饱和状态选择信号控制模式,特殊车辆在紧急控制模式下被赋予更高的通行权重,有利于其更快通过路口;接着针对等待时长、队列长度和CO 2排放量3个指标分别设计神经网络进行奖励计算;最后利用Double DQN进行最优信号相位的选择,通过灵活切换信号相位以提升通行效率。基于SUMO的实验结果表明,DMDD与对比方法相比能有效缩短路口处特殊车辆的等待时长、队列长度和CO 2排放量,特殊车辆能够更快通过路口,有效地提高了通行效率。
文摘随着城市交通需求量的快速增加,过饱和的交通流在早晚高峰时段出现得愈发频繁。现有的交通信号配时方法通常针对非饱和交通流进行设计,其在过饱和交通流情况下往往无法发挥其优势;其主要缺陷在于未区分过饱和与非饱和信号相位,导致过饱和信号相位未被分配足够的绿灯时间,同时非饱和信号相位的绿灯时间利用率较低。针对上述问题,提出一种基于模糊控制的过饱和交通流配时方法(Fuzzy Control based Timing Method for Oversaturated Traffic Flows,FCTO)。在过饱和的交通流情况下,该方法首先基于改进的Webster配时法设置合理的初始信号周期,接着基于模糊控制确定各相位的绿延时间,最后结合各相位的初始绿灯时间和绿延时间确定最终的绿灯时间。基于开源仿真平台SUMO和真实交通流数据的实验结果表明,所提FCTO方法与其他方法相比较,在高峰时段其平均停车时长、车辆速度和拥塞车辆数方面表现出更优的性能。
