基于MA2C方法优化和Sumo仿真实时推演的信号控制策略研究

当前,交管部门多依赖人工经验解决城市交通车流拥堵问题,然而此种方法缺乏数学理论支持与实践验证,并且无法从全局性和整体性的角度提供最优方案。本文基于Sumo交通仿真,采用MA2C多智能体强化学习模型,制定具有针对性的信号灯配时强化学习规则,经多轮训练,获得对应车流运输效率最高的信号灯配时。同时,将Sumo仿真建模和数据处理过程进行了代码化与模块化,以提升运转效率,最终实现交通信号灯配时优化与过程的全自动化。