基于Q学习的智能交通信号灯优化

利用Q学习发展出的D3QN模型来实现交通信号控制智能体,模型采用离散交通状态编码的状态集,将交叉口处车辆的位置-速度二维矩阵图经过卷积网络层进行特征提取,以捕捉更精确、完整的交叉口信息。分别基于相位切换策略和马尔科夫决策过程型(Markov decision process,MDP)动作策略,利用SUMO交通仿真软件进行模拟训练。结果表明,与传统的定时定序信号灯控制策略相比,相位切换策略下车辆的平均等待时间减少了约45%,而MDP动作策略下减少了约78%。

安全驱动的城市交叉口自适应信号控制方法

为提升城市交叉口的交通安全,提出1种安全驱动的自适应交通信号控制方法,以交通安全提升为主,同时优化通行效率和尾气排放。基于多目标深度强化学习,构建信号控制算法框架和双重决斗深度Q网络模型,使用离散交通状态编码定义当前交通状态,利用卷积神经网络提取状态特征。针对不同奖励函数量纲无法统一的问题,设计综合奖励函数。基于长沙市交叉口场景和交通流数据,在SUMO搭建实验环境。研究结果表明:在单交叉口真实流量和模拟流量场景下,与现有交通信号控制相比,所提方法在交通冲突频率、车辆行车延误、CO_(2)排放等指标上都表现出更好的性能。研究结果可为城市交叉口安全优化提供参考。

移位左转交叉口自适应信号控制方法和模型

为降低交通流波动对移位左转交叉口通行效率与安全的不利影响,运用模型预测控制(MPC)确定移位左转交叉口自适应信号控制方法的基本框架,在此基础上,实时检测交通数据进行短时交通预测,并对累计到达消散理论进行拓展,将交通流划分为随机到达流、车辆到达受预信号影响的约束流以及车辆到达受主信号多流向影响的组合流3种类型,根据上、下游行程时间差对主、预信号间不同车流的到达情况进行推演,提出面向移位左转交叉口的延误估算方法,建立以延误最小为目标的自适应信号配时优化模型。运用Vissim软件进行仿真验证,结果表明,与定时控制相比,文中方法可使移位左转交叉口的车均延误、停车次数、排队长度分别下降31.2%,7.4%,47.8%。

Traffic Signals Control with Adaptive Fuzzy Controller in Urban Road Network

An adaptive fuzzy logic controller (AFC) is presented for the signal control of the urban traffic network. The AFC is composed of the signal control system-oriented control level and the signal controller-oriented fuzzy rules regulation level. The control level decides the signal timings in an intersection with a fuzzy logic controller. The regulation level optimizes the fuzzy rules by the Adaptive Rule Module in AFC according to both the system performance index in current control period and the traffic flows in the last one. Consequently the system performances are improved. A weight coefficient controller (WCC) is also developed to describe the interactions of traffic flow among the adjacent intersections. So the AFC combined with the WCC can be applied in a road network for signal timings. Simulations of the AFC on a real traffic scenario have been conducted. Simulation results indicate that the adaptive controller for traffic control shows better performance than the actuated one.