基于SAC算法的多交叉口交通信号控制研究

针对深度Q网络(deep Q-learning network,DQN)算法在解决多交叉口交通信号配时方案由于外部环境变化和内部参数波动导致效果不佳的问题,提出了基于柔性“行动器-评判器”(soft actor-critic,SAC)的交叉口交通信号控制方法,并设计了相应的系统采样策略和回报函数.与原采样策略相比,新采样策略将相邻智能体的策略信息加入到系统状态中,使当前智能体能够得到更多的交叉口交通分布和合作策略信息.与原回报函数相比,新回报函数中引入空间折扣因子,缩小了相邻智能体的观察和回报值,使当前智能体更加关注和改善当前交通状况.随后在此基础上分别应用DQN和SAC算法设计交通信号控制方法.Webster配时法是利用相位流量数据开发的一种基于周期的固定相位长度交通信号方法,与DQN和SAC算法相比,其优化目标是降低交叉口延迟时间,不考虑交叉口排队长度.在城市交通模拟软件(simulation of urban mobility,SUMO)中构建一个时变交通流交通网络,并在其中分别对基于DQN、SAC和Webster配时法的信号配时控制方法进行仿真测试.仿真结果表明:基于SAC算法的交通信号控制方法与基于DQN算法和Webster配时法的交通信号控制方法相比,能够显著减少交叉口排队长度和平均延迟时间,具体来说,车辆平均排队长度分别减少了17.8%和28.2%,平均延迟分别减少了26.8%和36.3%,说明所提出的方法具有更好的控制效果.

改进的A2C算法在交通信号控制中的应用

针对目前以数据为驱动的交通控制算法在处理交通数据时容易忽略道路本身的空间信息的问题,提出一种结合道路拓扑结构信息的A2C(advantage actor-critic,A2C)算法。以A2C算法为基础,提取路网中车流量的信息,经过MLP(multilayer perceptron,MLP)对路口观测到的交通状态特征进行编码;结合图卷积神经网络提取道路之间的空间信息,引入多头注意力机制关注智能体之间的影响,在SUMO仿真环境中进行仿真验证。实验结果表明,改进的A2C算法相较于基线算法在等待时间、平均行驶速度上性能分别提升9.84%、7.57%,可以更好提高车辆通行效率。

城市轨道交通线网规模的确定方法

城市轨道交通适当的发展规模与城市的人口规模、城市面积以及经济发展水平等因素有关。在分析总结快速轨道交通线网合理规模的匡算方法基础上,并对以城市面积及估算轨道年客运量综合计算法进行改进,提出综合因素法。通过对比分析各种匡算方法在合肥市应用的结果,说明综合因素法适合应用于轨道交通线网合理规模的确定问题。

韩国、日本道路交通管理状况的考察、借鉴和启示

在道路交通管理方面，日韩两国由于组织科学，交通设施合理完善，交通执法宽严适度，交通参与者素质较高，交通指挥控制中心系统科学，驾驶员的管理与教育社会化、专业化，道路交通管理水平确实比发展中国家先进。

交通管理中处罚效果和社会效果的辩证关系

交通违法行为是影响道路交通安全畅通有序的重要因素,对交通违法行为实施行政处罚是交通管理工作的重要手段之一。正面的处罚效果能引导人们自觉遵守法律义务,减少道路交通违法行为的发生。要实现处罚效果和社会效果的正面统一,就必须从执法理念和执法方式入手,端正民警的执法理念,提升执法水平,同时正确引导社会舆论对交通管理工作中行政处罚的评价,逐步消除处罚给交通管理工作带来的负面社会效果。

上海的道路交通管理可借鉴东京之模式

在城市道路交通管理方面,日本东京由于科技装备先进,交通文明程度极高,路网结构合理,交通事故的防控工作卓有成效,这些都值得我们上海学习与借鉴。上海要赶超国际先进水平,打造交通管理严格的城市,必须树立科学的发展观和正确的政绩观来强化交通管理工作。

顾及路口压力的A2C交通信号调控

对城市道路交通进行有效地智能化调控,可以缓解拥堵,缩短出行时间,维护社会稳定,有重要的理论价值和实际意义。为此提出顾及路口压力的多智能体Actor-Critic算法。先设计缓解路口压力的强化学习策略,构建基于深度神经网络的多智能体Actor-Critic模型,通过Actor-Critic算法生成行动并做出判别。在SUMO(Simulation of Urban Mobility)平台上模拟交通网络,与三种传统交通信号调控算法进行对比。实验结果表明,所提方法使车辆到达数量提升了12%、车辆平均速度提升了5%,优于其它基准算法。