深度强化学习驱动的智能交通信号控制策略综述

随着城市人口快速增加,私家车数量呈指数级增长,使本已不堪重负的交通系统将承受更大的压力,交通拥堵问题愈加凸显。传统交通信号控制技术难以适应复杂多变的交通情况,数据驱动的方法为基于控制的系统带来了新方向。深度强化学习方法与交通控制系统的结合在自适应交通信号控制中扮演着重要角色。首先,文中综述了智能交通信号控制系统应用的最新进展,对智能交通信号控制方法进行了分类讨论,总结了这一领域的现有工作。其次,采用深度强化学习方法能够有效解决智能交通信号控制中状态信息获取不准确、控制算法鲁棒性差以及区域协调控制能力弱等问题,在此基础上,给出了智能交通信号控制的仿真平台和实验设置概述,并通过实例进行了分析和验证。最后,探讨了智能交通信号控制领域面临的挑战和有待解决的问题,并总结了未来的研究方向。

Community detection in multiplex networks via consensus matrix

In complex network of real world, there are many types of relationships between individuals, and the more effective research ways for this kind of network is to abstract these relationship as a multiplex network. More and more researchers are attracted to be engaged in multiplex network research. A novel framework of community detection of multiplex network based on consensus matrix was presented. Firstly, this framework merges the structure of multiplex network and the information of link between each node into monoplex network. Then, the community structure information of each layer network was obtained through consensus matrix, and the traditional community division algorithm was utilized to carry out community detection of combine networks. The experimental results show that the proposed algorithm can get better performance of community partition in the real network datasets.

面向城市交通的动态知识图谱综述——构建、表示与应用

在智能交通领域中,各种信息采集设备积累了海量的多源异构数据,如车辆轨迹、道路状态、交通事件等。如何依据这些海量的交通数据进行关联整合,并利用这些数据进行辅助决策是当前面临的挑战。为应对这些挑战,知识图谱技术由于其具有强大的实体间关联建模能力,在知识挖掘、表示、管理及推理能力等方面显现出了巨大的应用潜力。首先,本文依次针对地理交通图、多模态知识图谱及动态知识图谱的构建技术进行综述,以此展示知识图谱在智能交通领域的广泛适用性。接着对智能交通领域的各类知识图谱构建方法进行介绍。其次,对智能交通领域的知识图谱表示学习技术及知识推理技术进行归纳总结。其中涵盖了多模态知识图谱表示学习的相关算法以及动态知识图谱表示学习的探讨,并展开介绍了动态交通多模态知识图谱中的补全技术和因果推理技术,对于提高智能交通系统的数据理解能力和决策推理水平具有重要的理论意义和实际应用前景。再次,归纳整理了几个应用场景下知识图谱为城市的智能决策提供重要支撑的解决方案。最后,对现有技术瓶颈进行了分析和探讨,并对未来交通知识图谱的关键技术及其辅助应用进行了展望。