为了优化区域交通信号配时方案,提升区域通行效率,文章提出一种基于改进多智能体Nash Q Learning的区域交通信号协调控制方法。首先,采用离散化编码方法,通过划分单元格将连续状态信息转化为离散形式。其次,在算法中融入长短时记忆网络(...为了优化区域交通信号配时方案,提升区域通行效率,文章提出一种基于改进多智能体Nash Q Learning的区域交通信号协调控制方法。首先,采用离散化编码方法,通过划分单元格将连续状态信息转化为离散形式。其次,在算法中融入长短时记忆网络(Long Short Term Memory,LSTM)模块,用于从状态数据中挖掘更多的隐藏信息,丰富Q值表中的状态数据。最后,基于微观交通仿真软件SUMO(Simulation of Urban Mobility)的仿真测试结果表明,相较于原始Nash Q Learning交通信号控制方法,所提方法在低、中、高流量下车辆的平均等待时间分别减少了11.5%、16.2%和10.0%,平均排队长度分别减少了9.1%、8.2%和7.6%,平均停车次数分别减少了18.3%、16.1%和10.0%。结果证明了该算法具有更好的控制效果。展开更多
针对城市路网中区域性的大范围交通拥堵问题,提出了基于宏观基本图(Macroscopic Fundamental Diagram,MFD)的多子区协调控制策略,以提升路网的整体运行效益.该策略将城市区域路网划分为多个子区,每个子区的交通流又划分为内部流和转移流...针对城市路网中区域性的大范围交通拥堵问题,提出了基于宏观基本图(Macroscopic Fundamental Diagram,MFD)的多子区协调控制策略,以提升路网的整体运行效益.该策略将城市区域路网划分为多个子区,每个子区的交通流又划分为内部流和转移流,综合两者建立了基于MFD的多子区交通流模型,并给出了对各子区交通流诱导时的边界约束条件;通过调节子区边界控制输入,设计了边界反馈控制器对各子区转移流进行动态诱导,继而进行了迭代分析,以判断其是否满足边界约束,并对控制器进行了Lyapunov稳定性分析.仿真结果表明,所提策略使城市区域路网中各子区车辆总数渐近收敛于设定值,且整体平均流量提高了约11%,大范围交通拥堵状况得到明显缓解.展开更多
文摘为了优化区域交通信号配时方案,提升区域通行效率,文章提出一种基于改进多智能体Nash Q Learning的区域交通信号协调控制方法。首先,采用离散化编码方法,通过划分单元格将连续状态信息转化为离散形式。其次,在算法中融入长短时记忆网络(Long Short Term Memory,LSTM)模块,用于从状态数据中挖掘更多的隐藏信息,丰富Q值表中的状态数据。最后,基于微观交通仿真软件SUMO(Simulation of Urban Mobility)的仿真测试结果表明,相较于原始Nash Q Learning交通信号控制方法,所提方法在低、中、高流量下车辆的平均等待时间分别减少了11.5%、16.2%和10.0%,平均排队长度分别减少了9.1%、8.2%和7.6%,平均停车次数分别减少了18.3%、16.1%和10.0%。结果证明了该算法具有更好的控制效果。
文摘针对城市路网中区域性的大范围交通拥堵问题,提出了基于宏观基本图(Macroscopic Fundamental Diagram,MFD)的多子区协调控制策略,以提升路网的整体运行效益.该策略将城市区域路网划分为多个子区,每个子区的交通流又划分为内部流和转移流,综合两者建立了基于MFD的多子区交通流模型,并给出了对各子区交通流诱导时的边界约束条件;通过调节子区边界控制输入,设计了边界反馈控制器对各子区转移流进行动态诱导,继而进行了迭代分析,以判断其是否满足边界约束,并对控制器进行了Lyapunov稳定性分析.仿真结果表明,所提策略使城市区域路网中各子区车辆总数渐近收敛于设定值,且整体平均流量提高了约11%,大范围交通拥堵状况得到明显缓解.