全息交通感知环境下干线协调控制方法研究

文中提出了一种改进的基于多智能体深度强化学习的干线协调控制模型.将全息交叉口的实时交通信息离散化建模,与车流的延误、停车次数等交通特征参数共同作为状态输入智能体;将干线车流的延误与停车次数作为奖励函数,逐渐调整干线交叉口的公共周期,按时间步长更新交叉口之间相位差,实现干线交叉口的自适应控制;以传统深度强化学习(deep reinforcement learning,DRL)控制方法及MAXBAND协调控制方法为参照模型,分别在低峰期、平峰期及高峰期时段,对比车均延误及平均排队长度两项指标.该控制模型使车均延误降低了21.6%、31.8%和22.1%,平均排队长度降低了34.3%、18.4%和24.1%,表明在全息感知环境下,所提方法可有效提高干线通行效率.