CN110021168B - 一种车联网下实现实时智能交通管理的分级决策方法 - Google Patents

一种车联网下实现实时智能交通管理的分级决策方法 Download PDF

Info

Publication number
CN110021168B
CN110021168B CN201910312122.7A CN201910312122A CN110021168B CN 110021168 B CN110021168 B CN 110021168B CN 201910312122 A CN201910312122 A CN 201910312122A CN 110021168 B CN110021168 B CN 110021168B
Authority
CN
China
Prior art keywords
intersection
decision
computing node
vehicles
representing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910312122.7A
Other languages
English (en)
Other versions
CN110021168A (zh
Inventor
罗喜良
杨付乾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ShanghaiTech University
Original Assignee
ShanghaiTech University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ShanghaiTech University filed Critical ShanghaiTech University
Priority to CN201910312122.7A priority Critical patent/CN110021168B/zh
Publication of CN110021168A publication Critical patent/CN110021168A/zh
Application granted granted Critical
Publication of CN110021168B publication Critical patent/CN110021168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种车联网下实现实时智能交通管理的分级决策方法在路口利用周边局部交通环境信息进行实时的局部交通控制决策，而在一个更大的时间尺度上，云处理中心对全局交通环境进行观测，以提高全局交通性能为目标，利用学习技术估计得到每个路口决策系统的关键参数，并将这些参数反馈给各个路口，让各个路口根据反馈得到的系统参数调整决策算法，从而实现协同的智能交通管理。本发明提出了一种在不同时间尺度上的分级交通管理决策机制，实现了兼顾全局最优性和实时性的智能交通控制。

Description

一种车联网下实现实时智能交通管理的分级决策方法
技术领域
本发明涉及一种车联网中的实时智能交通管理决策方法，属于信息技术领域。
背景技术
随着信息和通信技术的发展，城市变得越来越智能化。车联网场景下智能交通管理是城市智能化需要解决的一个重要问题。通过现代通信信息技术和优化控制理论，根据获取的交通环境信息进行实时的交通管理控制，从而提高驾驶体验度、减少交通拥堵、降低交通事故和减少车辆污染排放，是智慧交通管理的重要目标。
在实际复杂多变的车联网城市场景中，为了保证交通控制的实时性，传统的智能交通管理主要由路口计算节点根据周边的环境信息进行局部的交通信号智能控制。现有的方法利用深度强化学习技术，根据交叉路口周边环境的状态提取，通过学习的方式对路口交通信号进行实时控制。虽然上述深度学习技术可以很大程度降低交通控制决策的计算维度，但是很难实现交叉口之间的协作，并且无法将网络的全局最优性考虑进去。
发明内容
本发明的目的是提供一种在保证交通控制决策实时性的前提下，兼顾全局交通网络最优性的交通决策方法，以提高城市整体的交通性能。
为了达到上述目的，本发明的技术方案是提供了一种车联网下实现实时智能交通管理的分级决策方法，其特征在于，包括以下步骤：
步骤1、各个路口计算节点收集周边交通环境信息，提取当前路口状态信息，将第k个路口计算节点的状态信息定义为sk；
步骤2、进行实时的局部交通控制决策，包括以下步骤：
步骤201、定义第k个路口计算节点的优化目标收益函数为r(sk，wk，ak)，则有：
r(sk，wk，ak)＝wk，1Dk(sk，ak)+wk，2Tk(sk，ak)+wk，3Ek(sk，ak)+wk，4Nk(sk，ak)
式中，wk，1、wk，2、wk，3、wk，4表示权重，wk，1、wk，2、wk，3、wk，4组成权重向量wk＝[wk，1，wk，2，wk，3，wk，4]；Dk(sk，ak)表示第k个路口计算节点减少的总的车辆等待时长；Tk(sk，ak)表示第k个路口计算节点减少的车辆路上耗费的总时间；Ek(sk，ak)表示第k个路口计算节点车辆节省的总能耗；Nk(sk，ak)表示第k个路口计算节点通过的总车辆数目；
各个路口根据上述目标收益函数、状态和决策的定义，将路口的交通决策问题建立为一个动态决策问题，即在给定当前的状态信息sk下，做出行为决策ak使得其长期的总收益最大，ak表示第k个路口计算节点所作的行为决策，包括路口交通信号灯控制决策和联网车辆的行为控制决策，建立求解动态决策问题的动态方程：
Figure BDA0002031852560000021
式中，Qk(sk，ak)表示t时刻的状态值函数，状态值函数Qk(sk，ak)为t+1时刻的收益和最大的未来收益的加和；E[·]表示对随机变量求期望；Rk，t+1表示t+时刻第k个路口计算节点的收益随机变量；γ表示折扣因子；Sk，t+1表示t+1时刻第k个路口计算节点的状态；a′k表示第k个路口计算节点在状态Sk，t+1下的可能的行为决策；Sk，t表示t时刻第k个路口计算节点的状态随机变量；sk表示第k个路口计算节点某个具体的状态实例；Ak，t表示t时刻第k个路口计算节点的行为决策随机变量；ak表示第k个路口计算节点在t时刻的某个具体的行为决策实例；
步骤202、根据步骤201建立的动态方程，利用深度强化学习算法估计出第k个路口的Q值表，即所有可能状态sk和行为决策ak对应的Qk(sk，ak)估计值，最后基于估计的Q值表，得到第k个路口计算节点所作的行为决策；
步骤3、在比步骤2更大的时间尺度上，云处理中心收集全局的交通环境状态信息，进行交通协同管理，以提升全局交通性能为目标，利用学习优化算法得到各个路口的权重向量，并反馈给各个路口；
步骤4、各个路口根据云处理中心的反馈更新自己目标函数的权重并回到步骤2。
优选地，所述路口状态信息包括各个车道上的车辆数目和所处的位置、车道上等待的车辆队列长度、车道上车辆的当前等待时长、当前路口和邻近路口交通信号灯的相位状态。
优选地，步骤201中，所述第k个路口计算节点车辆节省的总能耗Ek(sk，ak)为油耗和电耗加权和。
优选地，步骤202中，利用Deep Q-Network算法求解步骤201建立的动态方程，即利用Deep Q-Network算法得到状态决策值Qk(sk，ak)的估计值。基于估计得到的所有可能的状态决策值Qk(sk，ak)，最终得到第k个路口计算节点所作的行为决策，包括：1)创建一个神经网络用来近似状态值函数Qk(sk，ak)；2)利用经验回放选择神经网络的训练样本，即将经验数据累积到一定量，然后随机抽取一批样本进行训练；3)神经网络第i次迭代的时候，最小化以下损失函数来更新神经网络参数：
Figure BDA0002031852560000031
式中，θk，i表示第k个路口计算节点的神经网络在第i次迭代的时候的参数，每一次迭代都进行更新，而
Figure BDA0002031852560000032
神经网络参数每C次迭代更新一次，rk表示第k个路口计算节点在状态sk和决策ak下对应的收益。
优选地，步骤3中，所述全局的交通环境状态信息包括各个路口的交通情况。
优选地，步骤3中，所述学习优化算法为Deep Q-Network算法。
本发明提出了一种在不同时间尺度上的分级交通管理决策机制，实现了兼顾全局最优性和实时性的智能交通控制。
附图说明
图1为场景示意图，如图1所示，各个路口计算节点对局部的交通进行实时的控制决策，比如对路口交通信号状态和联网车辆行为进行控制，而在一个更长的时间尺度上，云处理中心利用全局网络信息调整各个路口决策系统的参数设置，从而实现协同的交通管理。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明提出的一种车联网下实现实时智能交通管理的分级决策方法在路口利用周边局部交通环境信息进行实时的局部交通控制决策，而在一个更大的时间尺度上，云处理中心对全局交通环境进行观测，以提高全局交通性能为目标，利用学习技术估计得到每个路口决策系统的关键参数，并将这些参数反馈给各个路口，让各个路口根据反馈得到的系统参数调整决策算法，从而实现协同的智能交通管理。本发明具体包括以下步骤：
步骤1、各个路口计算节点收集周边交通环境信息，提取当前路口状态信息，包括各个车道上的车辆数目和所处的位置、车道上等待的车辆队列长度、车道上车辆的当前等待时长、当前路口和邻近路口的相位状态等，将第k个路口计算节点的状态信息定义为sk；
步骤2、进行实时的局部交通控制决策，包括以下步骤：
步骤201、定义第k个路口计算节点的优化目标收益函数为r(sk，wk，ak)，则有：
r(sk，wk，ak)＝wk，1Dk(sk，ak)+wk，2Tk(sk，ak)+wk，3Ek(sk，ak)+wk，4Nk(sk，ak)
式中，wk，1、wk，2、wk，3、wk，4表示权重，wk，1、wk，2、wk，3、wk，4组成权重向量wk＝[wk，1，wk，2，wk，3，wk，4]，权重向量wk是第k个路口计算节点决策的系统参数，在一段时间内保持不变；ak表示第k个路口计算节点所作的行为决策，包括路口交通信号灯控制决策和联网车辆的行为控制决策；Dk(sk，ak)表示第k个路口计算节点减少的总的车辆等待时长；Tk(sk，ak)表示第k个路口计算节点减少的车辆路上耗费的总时间；Ek(sk，ak)表示第k个路口计算节点车辆节省的总能耗，总能耗Ek(sk，ak)为油耗和电耗加权和；Nk(sk，ak)表示第k个路口计算节点通过的总车辆数目；
各个路口根据上述目标收益函数、状态和决策的定义，将路口的交通决策问题建立为一个动态决策问题，即在给定当前的状态信息sk下，做出行为决策ak使得其长期的总收益最大，，建立求解动态决策问题的动态方程：
Figure BDA0002031852560000041
式中，Qk(sk，ak)表示t时刻的状态值函数，状态值函数Qk(sk，ak)为t+1时刻的收益和最大的未来收益的加和；E[·]表示对随机变量求期望；Rk，t+1表示t+1时刻第k个路口计算节点的收益随机变量；γ表示折扣因子；Sk，t+1表示t+1时刻第k个路口计算节点的状态；a′k表示第k个路口计算节点在状态Sk，t+1下的可能的行为决策；Sk，t表示t时刻第k个路口计算节点的状态随机变量；sk表示第k个路口计算节点某个具体的状态实例；Ak，t表示t时刻第k个路口计算节点的行为决策随机变量；ak表示第k个路口计算节点在t时刻的某个具体的行为决策实例；
步骤202、根据步骤201建立的动态方程，利用深度强化学习算法估计出第k个路口的Q值表，即所有可能状态sk和行为决策ak对应的Qk(sk，ak)估计值，最后基于估计的Q值表，得到第k个路口计算节点所作的行为决策
对于每个路口，其DQN算法包括如下两个个关键点：1)创建一个神经网络用来近似状态值函数Qk(sk，ak)；2)利用经验回放选择神经网络的训练样本，即将经验数据累积到一定量，然后随机抽取一批样本进行训练；3)神经网络第i次迭代的时候，最小化以下损失函数来更新神经网络参数：
Figure BDA0002031852560000051
式中，θk，i表示第k个路口计算节点的神经网络在第i次迭代的时候的参数，每一次迭代都进行更新，而
Figure BDA0002031852560000052
神经网络参数每C次迭代更新一次，rk表示第k个路口计算节点在状态sk和决策ak下对应的收益。
步骤3、在比步骤2更大的时间尺度上，云处理中心收集全局的交通环境状态信息，包括各个路口的交通情况，进行交通协同管理，以提升全局交通性能为目标，利用学习优化算法，如DQN算法，得到各个路口的权重向量，并反馈给各个路口；
步骤4、各个路口根据云处理中心的反馈更新自己目标函数的权重并回到步骤2。

Claims (6)

1.一种车联网下实现实时智能交通管理的分级决策方法，其特征在于，包括以下步骤：
步骤1、各个路口计算节点收集周边交通环境信息，提取当前路口状态信息，将第k个路口计算节点的状态信息定义为sk；
步骤2、进行实时的局部交通控制决策，包括以下步骤：
步骤201、定义第k个路口计算节点的优化目标收益函数为r(sk，wk，ak)，则有：
r(sk，wk，ak)＝wk，1Dk(sk，ak)+wk，2Tk(sk，ak)+wk，3Ek(sk，ak)+wk，4Nk(sk，ak)
式中，wk，1、wk，2、wk，3、wk，4表示权重，wk，1、wk，2、wk，3、wk，4组成权重向量wk＝[wk，1，wk，2，wk，3，wk，4]；ak表示第k个路口计算节点所作的行为决策，包括路口交通信号灯控制决策和联网车辆的行为控制决策；Dk(sk，ak)表示第k个路口计算节点减少的总的车辆等待时长；Tk(sk，ak)表示第k个路口计算节点减少的车辆路上耗费的总时间；Ek(sk，ak)表示第k个路口计算节点车辆节省的总能耗；Nk(sk，ak)表示第k个路口计算节点通过的总车辆数目；
各个路口根据上述目标收益函数、状态和决策的定义，将路口的交通决策问题建立为一个动态决策问题，即在给定当前的状态信息sk下，做出行为决策ak使得其长期的总收益最大，建立求解动态决策问题的动态方程：
Figure FDA0003058436750000011
式中，Qk(sk，ak)表示t时刻的状态值函数，该状态值函数的具体取值为t+1时刻的收益和最大的未来收益的加和；E[·]表示对随机变量求期望；Rk，t+1表示t+1时刻第k个路口计算节点的收益随机变量；γ表示折扣因子；Sk，t+1表示t+1时刻第k个路口计算节点的状态；a′k表示第k个路口计算节点在状态Sk，t+1下的可能的行为决策；Sk，t表示t时刻第k个路口计算节点的状态随机变量；sk表示第k个路口计算节点某个具体的状态实例；Ak，t表示t时刻第k个路口计算节点的行为决策随机变量；ak表示第k个路口计算节点在t时刻的某个具体的行为决策实例；
步骤202、根据步骤201建立的动态方程，利用深度强化学习算法估计出第k个路口的Q值表，即所有可能状态sk和行为决策ak对应的Qk(sk，ak)估计值，最后基于估计的Q值表，得到第k个路口计算节点所作的行为决策；
步骤3、在比步骤2更大的时间尺度上，云处理中心收集全局的交通环境状态信息，进行交通协同管理，以提升全局交通性能为目标，利用学习优化算法得到各个路口的权重向量，并反馈给各个路口；
步骤4、各个路口根据云处理中心的反馈更新自己目标函数的权重并回到步骤2。
2.如权利要求1所述的一种车联网下实现实时智能交通管理的分级决策方法，其特征在于，所述路口状态信息包括各个车道上的车辆数目和所处的位置、车道上等待的车辆队列长度、车道上车辆的当前等待时长、当前路口和邻近路口的相位状态。
3.如权利要求1所述的一种车联网下实现实时智能交通管理的分级决策方法，其特征在于，步骤201中，所述第k个路口计算节点车辆节省的总能耗Ek(sk，ak)为油耗和电耗加权和。
4.如权利要求1所述的一种车联网下实现实时智能交通管理的分级决策方法，其特征在于，步骤202中，利用Deep Q-Network算法求解步骤201建立的动态方程，即利用Deep Q-Network算法得到状态决策值Qk(sk，ak)的估计值；基于估计得到的所有可能的状态决策值Qk(sk，ak)，最终得到第k个路口计算节点所作的行为决策，包括：1)创建一个神经网络用来近似状态值函数Qk(sk，ak)；2)利用经验回放选择神经网络的训练样本，即将经验数据累积到一定量，然后随机抽取一批样本进行训练；3)神经网络第i次迭代的时候，最小化以下损失函数来更新神经网络参数：
Figure FDA0003058436750000021
式中，θk，i表示第k个路口计算节点的神经网络在第i次迭代的时候的参数，每一次迭代都进行更新，而
Figure FDA0003058436750000022
神经网络参数每C次迭代更新一次，rk表示第k个路口计算节点在状态sk和决策ak下对应的收益。
5.如权利要求1所述的一种车联网下实现实时智能交通管理的分级决策方法，其特征在于，步骤3中，所述全局的交通环境状态信息包括各个路口的交通情况。
6.如权利要求1所述的一种车联网下实现实时智能交通管理的分级决策方法，其特征在于，步骤3中，所述学习优化算法为Deep Q-Network算法。
CN201910312122.7A 2019-04-18 2019-04-18 一种车联网下实现实时智能交通管理的分级决策方法 Active CN110021168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910312122.7A CN110021168B (zh) 2019-04-18 2019-04-18 一种车联网下实现实时智能交通管理的分级决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910312122.7A CN110021168B (zh) 2019-04-18 2019-04-18 一种车联网下实现实时智能交通管理的分级决策方法

Publications (2)

Publication Number Publication Date
CN110021168A CN110021168A (zh) 2019-07-16
CN110021168B true CN110021168B (zh) 2021-08-27

Family

ID=67191773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910312122.7A Active CN110021168B (zh) 2019-04-18 2019-04-18 一种车联网下实现实时智能交通管理的分级决策方法

Country Status (1)

Country Link
CN (1) CN110021168B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503834A (zh) * 2019-09-10 2019-11-26 上海科技大学 基于gan实现多路口协同的智能交通管理决策方法
CN110782664A (zh) * 2019-10-16 2020-02-11 北京航空航天大学 一种智能车路系统的运行状况监测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063796A (zh) * 2010-09-26 2011-05-18 广西工学院 基于无线Mesh自组网的智能交通控制系统及控制方法
WO2011163006A1 (en) * 2010-06-23 2011-12-29 On Time Systems, Inc. Traffic routing display system
CN102411847A (zh) * 2011-08-02 2012-04-11 清华大学 一种交通信号优化方法
CN104575039A (zh) * 2015-01-19 2015-04-29 武汉理工大学 基于车路协同的紧急车辆优先通行新方法及系统
CN108182812A (zh) * 2018-01-03 2018-06-19 浙江师范大学 基于强化学习的城市道路交叉口生态驾驶行为优化方法
CN108805348A (zh) * 2018-06-05 2018-11-13 北京京东金融科技控股有限公司 一种交叉口信号配时控制优化的方法和装置
CN108831168A (zh) * 2018-06-01 2018-11-16 江苏数翰信息科技有限公司 一种基于关联路口视觉识别的交通信号灯控制方法与系统
CN108898839A (zh) * 2018-09-13 2018-11-27 武汉摩尔数据技术有限公司 一种实时动态交通信息数据系统及其更新方法
CN109003448A (zh) * 2018-08-02 2018-12-14 北京图森未来科技有限公司 一种交叉路口的导航方法、设备及系统
CN109472984A (zh) * 2018-12-27 2019-03-15 苏州科技大学 基于深度强化学习的信号灯控制方法、系统和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7864072B2 (en) * 2007-12-11 2011-01-04 International Business Machines Corporation System and method for automatically adjusting traffic light

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011163006A1 (en) * 2010-06-23 2011-12-29 On Time Systems, Inc. Traffic routing display system
CN102063796A (zh) * 2010-09-26 2011-05-18 广西工学院 基于无线Mesh自组网的智能交通控制系统及控制方法
CN102411847A (zh) * 2011-08-02 2012-04-11 清华大学 一种交通信号优化方法
CN104575039A (zh) * 2015-01-19 2015-04-29 武汉理工大学 基于车路协同的紧急车辆优先通行新方法及系统
CN108182812A (zh) * 2018-01-03 2018-06-19 浙江师范大学 基于强化学习的城市道路交叉口生态驾驶行为优化方法
CN108831168A (zh) * 2018-06-01 2018-11-16 江苏数翰信息科技有限公司 一种基于关联路口视觉识别的交通信号灯控制方法与系统
CN108805348A (zh) * 2018-06-05 2018-11-13 北京京东金融科技控股有限公司 一种交叉口信号配时控制优化的方法和装置
CN109003448A (zh) * 2018-08-02 2018-12-14 北京图森未来科技有限公司 一种交叉路口的导航方法、设备及系统
CN108898839A (zh) * 2018-09-13 2018-11-27 武汉摩尔数据技术有限公司 一种实时动态交通信息数据系统及其更新方法
CN109472984A (zh) * 2018-12-27 2019-03-15 苏州科技大学 基于深度强化学习的信号灯控制方法、系统和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Delay-Oriented QoS-Aware User Association and Resource Allocation in Heterogeneous Cellular Networks;Xiliang Luo 等;《 IEEE Transactions on Wireless Communications》;20170117;第1809-1822页 *
基于车联网的智能交通管理及决策依据的研究;曹新 等;《计算机应用与软件》;20150430;第32卷(第4期);第83-86页 *

Also Published As

Publication number Publication date
CN110021168A (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
CN112700664B (zh) 一种基于深度强化学习的交通信号配时优化方法
CN111785045B (zh) 基于演员-评论家算法的分布式交通信号灯联合控制方法
CN110032782B (zh) 一种城市级智能交通信号控制系统及方法
CN112216124B (zh) 一种基于深度强化学习的交通信号控制方法
CN109215355A (zh) 一种基于深度强化学习的单点交叉口信号配时优化方法
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
CN109272157A (zh) 一种基于门控神经网络的高速公路交通流参数预测方法及系统
CN111260937A (zh) 一种基于强化学习的十字路口交通信号灯控制方法
CN114360266B (zh) 一种网联车探测状态感知的交叉口强化学习信号控制方法
CN113538910B (zh) 一种自适应的全链条城市区域网络信号控制优化方法
CN110570672B (zh) 一种基于图神经网络的区域交通信号灯控制方法
CN103593535A (zh) 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
CN112419726A (zh) 一种基于交通流预测的城市交通信号控制系统
CN112071062B (zh) 一种基于图卷积网络和图注意力网络的行车时间估计方法
CN113299078B (zh) 一种基于多智能体协作的多模式交通干线信号协调控制方法及装置
CN110021168B (zh) 一种车联网下实现实时智能交通管理的分级决策方法
CN113053120B (zh) 基于迭代学习模型预测控制的交通信号灯调度方法与系统
CN106355905A (zh) 一种基于卡口数据的高架信号控制方法
CN115578870B (zh) 一种基于近端策略优化的交通信号控制方法
CN114120670B (zh) 用于交通信号控制的方法和系统
CN113392577B (zh) 一种基于深度强化学习的区域边界主交叉口信号控制方法
CN114419884A (zh) 基于强化学习和相位竞争的自适应信号控制方法及系统
CN116758767B (zh) 基于多策略强化学习的交通信号灯控制方法
CN115762128B (zh) 一种基于自注意力机制的深度强化学习交通信号控制方法
CN115331460B (zh) 一种基于深度强化学习的大规模交通信号控制方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant