CN111429733A - 一种基于宏观基本图的路网交通信号控制方法 - Google Patents
一种基于宏观基本图的路网交通信号控制方法 Download PDFInfo
- Publication number
- CN111429733A CN111429733A CN202010214552.8A CN202010214552A CN111429733A CN 111429733 A CN111429733 A CN 111429733A CN 202010214552 A CN202010214552 A CN 202010214552A CN 111429733 A CN111429733 A CN 111429733A
- Authority
- CN
- China
- Prior art keywords
- road network
- sub
- subarea
- traffic
- vehicles
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于宏观基本图的路网交通信号控制方法,通过将交通路网划分成多个子区,协调各子区控制目标,分别进行交通信号控制。首先,将路网加权流量和车辆数进行曲线拟合,得到各个子区的MFD特性。进而,根据拟合结果求得子区的最佳累积车辆数。随后,考虑不同子区间的异构性和实际交通流情况,根据最佳累积车辆数设计控制目标。同时,对每个子区分别进行迭代学习控制,最终完成路网交通信号控制。这种基于宏观基本图的路网交通信号控制方法,可以实现车辆在路网中合理分布,提升路网的整体运行水平。而且,本发明充分考虑了路网的交通状态和不同子区的异构性,更符合实际的交通状况,可以应用在实际工程中。
Description
技术领域
本发明涉及智能交通信号控制,具体为基于宏观基本图的路网交通信号控制方法。路网交通信号优化用于城市路网交通信号控制,可以充分利用现有道路资源,提高路网通行效率。
背景技术
现代社会中,城市经济发展迅速,机动车保有量同步快速增长。由于现有交通基础建设无法满足极速增长的车辆出行需求量,交通拥堵问题日益突出。以交通信号控制为基础的智能交通系统的建设,可以在较大程度上减少交通事故、缓解交通拥堵和降低环境污染。传统的交通信号控制方案大多数是点控或线控式,虽然可以使单个交叉口或某条路段的通行效率最大化,但只能改善局部交通状况。
对路网进行面控式交通信号控制依赖于交通流模型的建立,然而对每个路段和交叉口进行交通流建模是一项复杂的任务。已有研究表明,路网内加权路网流量、平均速度与加权路网密度存在一定函数关系,表征这种函数关系的图像称为宏观基本图(MacroscopicFundamental Diagram,MFD)。利用宏观基本图可以描述路网中累计车辆总数和路网交通运行状态的普遍关系,从而避免对每个交叉口进行交通流建模。根据MFD理论,可以拟合得到路网的MFD特性曲线,并获得路网的最佳累积车辆数。继而设计控制目标,对路网内交通信号进行控制,实现车辆合理分布,保证路网交通的良好运行。
城市路网交通流具有以日为单位的重复特性,迭代学习控制(IterativeLearning Control,ILC)可以反复应用历史迭代试验得到的数据作为先验知识,获得能够产生期望输出的控制输入,非常适合解决具有重复特性的城市路网交通信号控制问题。但是,已有的基于宏观基本图的交通信号迭代学习控制在设计控制目标时,只考虑了根据路网宏观基本图得到的最佳累积车辆数,在实际工程应用中,存在众多影响因素,例如在路网交通流不饱和时,设计以路网MFD对应的最佳累计车辆数为控制目标的控制方法,在控制器能力有限的情况下难以实现对控制目标的完全跟踪。
综上所述,目前,路网交通信号控制方法主要存在以下问题:1)传统的基于点、线的路网交通信号控制方法仅能改善局部交通状况,路网通行效率仍不高;2)基于宏观基本图的路网交通信号控制方法在控制目标的设计上存在不足,在实际工程应用中系统可能无法实现对控制目标的完全追踪。
发明内容
本发明要克服现有技术的上述不足之处,提供一种基于宏观基本图的路网交通信号控制方法。
本方法将交通路网划分成多个子区,分别对这几个子区进行交通信号控制。首先,将路网加权流量和车辆数进行曲线拟合,得到各个子区的MFD特性。然后,根据拟合结果求得子区的最佳累积车辆数。接着,考虑不同子区间的异构性和实际交通流情况,根据最佳累积车辆数设计控制目标。随后对每个子区分别进行迭代学习控制,最终完成路网交通信号控制。这种基于宏观基本图的路网交通信号控制方法,可以实现车辆在路网中合理分布,提升路网的整体运行水平。而且,本发明充分考虑了路网的交通状态和不同子区的异构性,更符合实际路网交通状况,可以适应不同的交通状态,应用在实际工程中。
本发明是通过以下技术方案达到上述目的,即基于宏观基本图的路网交通信号控制方法,具体步骤如下:
(1)子区划分。根据路网内各交叉口的关联度,利用Ncut算法对路网进行划分,得到多个“同质”子区,即关联度大的交叉口划分到同一子区中,并记为Ri,其中i∈{1,2,3...}。
(2)获取步骤(1)中划分得到的各个子区的宏观基本图。详细计算过程如下:
s1.计算各个子区的车辆累计数N(veh)和加权流量qw(veh/h)
计算公式如下:
其中,kj表示路段j的密度,lj表示路段j的长度,qj表示路段j的车流量。
s2.以子区车辆累计数N为横坐标,加权流量qw为纵坐标绘制散点图。
s3.拟合曲线。采用3阶多项式对各个子区i进行MFD特性拟合,拟合格式如下:
其中,a1~a4为拟合系数,ni为子区i的累计车辆数。
(3)设计控制目标。详细设计过程如下:
s1.求得步骤(2)中拟合曲线的极值点ni,s,使得当ni=ni,s时,
Gi(ni)最大。此时,ni,s表示该子区的最佳累计车辆数,Gi(ni,s)表示车辆总数为ni,s时子区通行能力达到最大。
s2.根据不同子区的异构性和实际交通流状态分配车辆,分配方法如下:
设置约束条件:
其中,D为所有子区累计车辆数的和,当这个路网足够大时,D是一个固定不变的常量。ni,min和ni,max分别表示子区i的最小累计车辆数和最大累计车辆数,由子区内部路段信息确定。
利用Lingo工具在上述约束条件下解决以下二次型最小化问题,求得ni,d:
即在约束条件下各子区的路网通行能力最大时对应的ni,d。
s3.计算各子区的道路理想占有率,具体计算方法如下:
(4)对每个子区内部的交通信号配时进行迭代学习控制,具体步骤如下:
s1.确定关键交叉口。利用历史流量数据,取一个流量最大的交叉口为关键交叉口。
s2.计算周期、相位差。取关键交叉口的周期为公共周期,相位差计算方法如下:
其中lj为路段j的长度,vj为路段j的平均速度。
s3.设计初始配时方案。根据交叉口各相位的流量,利用韦伯斯特公式确定各交叉口的初始配时方案。
s4.进行迭代学习控制。获得第k周期的系统状态向量和输出向量,与s3中得到的控制目标计算输出误差en(k)。选择合适的前馈-反馈学习律,将前一次迭代的误差en-1(k+1)和控制向量un-1(k)计算得到本次迭代的控制向量un(k)。un(k)即为本交叉口各相位的绿灯时间。选择相邻交叉口,重复前述步骤,依次完成各交叉口的信号配时优化,直至所有周期遍历完成,进入下一次迭代。
s5.迭代完成,输出配时方案。
本发明的有益效果在于:(1)本发明可以实现车辆在路网中合理分布,对提高城市交通路网的整体通行效率有重要意义。(2)本发明充分考虑了路网的交通状态和不同子区的异构性,合理设计各子区的控制目标,更符合实际的交通状况,可以应用在实际工程中。
附图说明
图1是本发明方法的总体流程图。
图2是本发明实施例子中的路网示意图。
图3a~图3d是本发明实施例中的各子区宏观基本图MFD,其中图3a是子区R1的宏观基本图,图3b是子区R2的宏观基本图,图3c是子区R3的宏观基本图,图3d是子区R4的宏观基本图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明的基于宏观基本图的路网交通信号控制方法,具体的实施步骤如下:
(1)子区划分。根据路网内各交叉口的关联度,利用Ncut算法对路网进行划分,得到多个“同质”子区,即关联度大的交叉口划分到同一子区中,并记为Ri,其中i∈{1,2,3...}。
(2)获取步骤(1)中划分得到的各个子区的宏观基本图。详细计算过程如下:
s1.计算各个子区的车辆累计数N(veh)和加权流量qw(veh/h)计算公式如下:
其中,kj表示路段j的密度,lj表示路段j的长度,qj表示路段j的车流量。
s2.以子区车辆累计数N为横坐标,加权流量qw为纵坐标绘制散点图。
s3.拟合曲线。采用3阶多项式对各个子区i进行MFD特性拟合,拟合格式如下:
其中,a1~a4为拟合系数,ni为子区i的累计车辆数。
(3)设计控制目标。详细设计过程如下:
s1.求得步骤(2)中拟合曲线的极值点ni,s,使得当ni=ni,s时,Gi(ni)最大。此时,ni,s表示该子区的最佳累计车辆数,Gi(ni,s)表示车辆总数为ni,s时子区通行能力达到最大。
s2.根据不同子区的异构性和实际交通流状态分配车辆,分配方法如下:
设置约束条件:
其中,D为所有子区累计车辆数的和,当这个路网足够大时,D是一个固定不变的常量。ni,min和ni,max分别表示子区i的最小累计车辆数和最大累计车辆数,由子区内部路段信息确定。
利用Lingo工具在上述约束条件下解决以下二次型最小化问题,求得ni,d:
即在约束条件下各子区的路网通行能力最大时对应的ni,d。
s3.计算各子区的道路理想占有率,具体计算方法如下:
(4)对每个子区内部的交通信号配时进行迭代学习控制,具体步骤如下:
s1.确定关键交叉口。利用历史流量数据,取一个流量最大的交叉口为关键交叉口。
s2.计算周期、相位差。取关键交叉口的周期为公共周期,相位差计算方法如下:
其中lj为路段j的长度,vj为路段j的平均速度。
s3.设计初始配时方案。根据交叉口各相位的流量,利用韦伯斯特公式确定各交叉口的初始配时方案。
s4.进行迭代学习控制。获得第k周期的系统状态向量和输出向量,与s3中得到的控制目标计算输出误差en(k)。选择合适的前馈-反馈学习律,将前一次迭代的误差en-1(k+1)和控制向量un-1(k)计算得到本次迭代的控制向量un(k)。un(k)即为本交叉口各相位的绿灯时间。选择相邻交叉口,重复前述步骤,依次完成各交叉口的信号配时优化,直至所有周期遍历完成,进入下一次迭代。
s5.迭代完成,输出配时方案。
如附图1,本发明方法利用Ncut算法将交通路网划分成多个子区,分别对这几个子区进行交通信号控制。首先,获取各子区的宏观基本图,通过收集各个子区的交通流参数,计算路网加权流量和车辆数,并进行曲线拟合,得到各个子区的MFD特性。进而,根据拟合结果求得子区的最佳累积车辆数。随后,考虑不同子区间的异构性和实际交通流情况,根据最佳累积车辆数设计控制目标。同时,对每个子区分别进行迭代学习控制。最终输出配时方案,完成路网交通信号控制。
如附图2,本发明方法的具体实施应用案例为某个城市区域路网,共有32个交叉口,各交叉口和路段全部覆盖了交通检测器用于检测交通流参数,相邻两交叉口都是双向4车道。利用Ncut算法可以划分出四个子区R1~R4。
如附图3,以某个城市区域路网宏观基本图为例,图3a为子区R1的拟合效果图,图3b为子区R2的拟合效果图,图3c为子区R3的拟合效果图,图3d为子区R4的拟合效果图。根据公式(3)利用最小二乘法可以拟合成以下四个式子:
实验结果表明,本发明提出的基于宏观基本图的路网交通信号控制方法是有效的,相对于其它方法,本发明方法充分考虑了路网内车辆的分布均衡,根据路网的交通状态和不同子区的异构性,合理设计各子区的控制目标,更符合实际的交通状况,可以应用在实际工程中。而且,本发明可以提升交通路网的整体通行效率,整个设计方法具有流程简单、计算容易和适用性强等特点,适合城市路网的交通信号控制。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种基于宏观基本图的路网交通信号控制方法,包括如下步骤:
(1)子区划分;根据路网内各交叉口的关联度,利用Ncut算法对路网进行划分,得到多个“同质”子区,即关联度大的交叉口划分到同一子区中,并记为Ri,其中i∈{1,2,3...};
(2)获取步骤(1)中划分得到的各个子区的宏观基本图,具体包括:
21.计算各个子区的车辆累计数N(veh)和加权流量qw(veh/h)计算公式如下:
其中,kj表示路段j的密度,lj表示路段j的长度,qj表示路段j的车流量;
22.以子区车辆累计数N为横坐标,加权流量qw为纵坐标绘制散点图;
23.拟合曲线;采用3阶多项式对各个子区i进行MFD特性拟合,拟合格式如下:
其中,a1~a4为拟合系数,ni为子区i的累计车辆数;
(3)设计控制目标,具体包括:
31.求得步骤(2)中拟合曲线的极值点ni,s,使得当ni=ni,s时,Gi(ni)最大;此时,ni,s表示该子区的最佳累计车辆数,Gi(ni,s)表示车辆总数为ni,s时子区通行能力达到最大;
32.根据不同子区的异构性和实际交通流状态分配车辆,分配方法如下:
设置约束条件:
其中,D为所有子区累计车辆数的和,当这个路网足够大时,D是一个固定不变的常量;ni,min和ni,max分别表示子区i的最小累计车辆数和最大累计车辆数,由子区内部路段信息确定;
利用Lingo工具在上述约束条件下解决以下二次型最小化问题,求得ni,d:
即在约束条件下各子区的路网通行能力最大时对应的ni,d;
33.计算各子区的道路理想占有率,具体计算方法如下:
(4)对每个子区内部的交通信号配时进行迭代学习控制,具体步骤如下:
41.确定关键交叉口;利用历史流量数据,取一个流量最大的交叉口为关键交叉口;
42.计算周期、相位差;取关键交叉口的周期为公共周期,相位差计算方法如下:
其中lj为路段j的长度,vj为路段j的平均速度;
43.设计初始配时方案;根据交叉口各相位的流量,利用韦伯斯特公式确定各交叉口的初始配时方案;
44.进行迭代学习控制;获得第k周期的系统状态向量和输出向量,与s3中得到的控制目标计算输出误差en(k);选择合适的前馈-反馈学习律,将前一次迭代的误差en-1(k+1)和控制向量un-1(k)计算得到本次迭代的控制向量un(k);un(k)即为本交叉口各相位的绿灯时间;选择相邻交叉口,重复前述步骤,依次完成各交叉口的信号配时优化,直至所有周期遍历完成,进入下一次迭代;
45.迭代完成,输出配时方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010214552.8A CN111429733A (zh) | 2020-03-24 | 2020-03-24 | 一种基于宏观基本图的路网交通信号控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010214552.8A CN111429733A (zh) | 2020-03-24 | 2020-03-24 | 一种基于宏观基本图的路网交通信号控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111429733A true CN111429733A (zh) | 2020-07-17 |
Family
ID=71555422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010214552.8A Pending CN111429733A (zh) | 2020-03-24 | 2020-03-24 | 一种基于宏观基本图的路网交通信号控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429733A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537555A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的交通子区模型预测滑模边界控制方法 |
CN113947905A (zh) * | 2021-10-19 | 2022-01-18 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及系统 |
CN114038216A (zh) * | 2021-10-08 | 2022-02-11 | 之江实验室 | 一种基于路网划分和边界流量控制的信号灯管控方法 |
CN114613166A (zh) * | 2022-03-16 | 2022-06-10 | 山东大学 | 考虑边界交叉口排队长度的信号灯控制方法及系统 |
CN115440033A (zh) * | 2022-08-16 | 2022-12-06 | 广东交通职业技术学院 | 基于宏观基本图的干线协调控制方法、系统、装置及介质 |
CN117454678A (zh) * | 2023-12-26 | 2024-01-26 | 广东工业大学 | 一种基于行人宏观基本图的枢纽站行人流控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730923A (zh) * | 2017-09-30 | 2018-02-23 | 浙江海洋大学 | 一种带有约束的城市交通交叉口信号控制方法 |
CN108171997A (zh) * | 2018-02-09 | 2018-06-15 | 太原理工大学 | 基于宏观基本图的交通信号迭代控制优化方法 |
CN108538065A (zh) * | 2018-04-24 | 2018-09-14 | 浙江工业大学 | 一种基于自适应迭代学习控制的城市主干道协调控制方法 |
CN108648446A (zh) * | 2018-04-24 | 2018-10-12 | 浙江工业大学 | 一种基于mfd的路网交通信号迭代学习控制方法 |
CN108898854A (zh) * | 2018-07-06 | 2018-11-27 | 广州交通信息化建设投资营运有限公司 | 一种基于模型预测控制的多匝道协同控制方法 |
WO2019007126A1 (zh) * | 2017-07-06 | 2019-01-10 | 广东交通职业技术学院 | 车联网下基于mfd和排队长度的路网边界限流控制方法 |
-
2020
- 2020-03-24 CN CN202010214552.8A patent/CN111429733A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019007126A1 (zh) * | 2017-07-06 | 2019-01-10 | 广东交通职业技术学院 | 车联网下基于mfd和排队长度的路网边界限流控制方法 |
CN107730923A (zh) * | 2017-09-30 | 2018-02-23 | 浙江海洋大学 | 一种带有约束的城市交通交叉口信号控制方法 |
CN108171997A (zh) * | 2018-02-09 | 2018-06-15 | 太原理工大学 | 基于宏观基本图的交通信号迭代控制优化方法 |
CN108538065A (zh) * | 2018-04-24 | 2018-09-14 | 浙江工业大学 | 一种基于自适应迭代学习控制的城市主干道协调控制方法 |
CN108648446A (zh) * | 2018-04-24 | 2018-10-12 | 浙江工业大学 | 一种基于mfd的路网交通信号迭代学习控制方法 |
CN108898854A (zh) * | 2018-07-06 | 2018-11-27 | 广州交通信息化建设投资营运有限公司 | 一种基于模型预测控制的多匝道协同控制方法 |
Non-Patent Citations (3)
Title |
---|
WEN XINGZHU,SHUO LI: "《Study on discrete boundary-feedback-control strategy for traffic flow based on Macroscopic Fundamental Diagram》", 《PHYSICA A: STATISTICAL MECHANICS AND ITS APPLICATIONS》 * |
杨曦,黄青青,刘志: "《基于分层控制结构的迭代学习城市交通信号控制》", 《浙江工业大学学报》 * |
黄青青: "《基于宏观基本图的城市路网交通信号迭代学习控制方法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537555A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的交通子区模型预测滑模边界控制方法 |
CN114038216A (zh) * | 2021-10-08 | 2022-02-11 | 之江实验室 | 一种基于路网划分和边界流量控制的信号灯管控方法 |
CN114038216B (zh) * | 2021-10-08 | 2022-12-23 | 之江实验室 | 一种基于路网划分和边界流量控制的信号灯管控方法 |
CN113947905A (zh) * | 2021-10-19 | 2022-01-18 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及系统 |
CN114613166A (zh) * | 2022-03-16 | 2022-06-10 | 山东大学 | 考虑边界交叉口排队长度的信号灯控制方法及系统 |
CN114613166B (zh) * | 2022-03-16 | 2023-05-23 | 山东大学 | 考虑边界交叉口排队长度的信号灯控制方法及系统 |
CN115440033A (zh) * | 2022-08-16 | 2022-12-06 | 广东交通职业技术学院 | 基于宏观基本图的干线协调控制方法、系统、装置及介质 |
CN115440033B (zh) * | 2022-08-16 | 2023-08-29 | 广东交通职业技术学院 | 基于宏观基本图的干线协调控制方法、系统、装置及介质 |
CN117454678A (zh) * | 2023-12-26 | 2024-01-26 | 广东工业大学 | 一种基于行人宏观基本图的枢纽站行人流控制方法 |
CN117454678B (zh) * | 2023-12-26 | 2024-05-10 | 广东工业大学 | 一种基于行人宏观基本图的枢纽站行人流控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429733A (zh) | 一种基于宏观基本图的路网交通信号控制方法 | |
CN108648446B (zh) | 一种基于mfd的路网交通信号迭代学习控制方法 | |
CN111932914B (zh) | 城市拥堵区域路网双层边界控制方法 | |
CN111197991B (zh) | 基于深度神经网络的预测车辆最佳驾驶路径方法 | |
WO2021174374A1 (zh) | 交通信号极化绿波控制方法 | |
CN107146446B (zh) | 一种基于rfid数据和动态车源的路径诱导方法 | |
CN112629533B (zh) | 基于路网栅格化道路车流预测的精细化路径规划方法 | |
CN113538897B (zh) | 一种考虑扰动的城市交通区域迭代学习边界控制方法 | |
CN106952484B (zh) | 基于宏观基本图的路网门限控制 | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
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 | |
CN108898854A (zh) | 一种基于模型预测控制的多匝道协同控制方法 | |
CN113012449B (zh) | 基于多榜样学习粒子群的智慧城市信号灯配时优化方法 | |
CN111931317B (zh) | 基于车载gps数据的区域拥堵路网边界控制方法 | |
CN108538065A (zh) | 一种基于自适应迭代学习控制的城市主干道协调控制方法 | |
CN110570672A (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN109559510B (zh) | 基于随机分布控制算法的多个mfd子区边界协调控制方法 | |
CN110111567B (zh) | 一种基于模块度评估的交通控制子区划分方法及系统 | |
CN111862636B (zh) | 一种交通信号控制方法及系统 | |
CN111145544A (zh) | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 | |
CN115691138A (zh) | 一种路网子区划分及子区边界流量控制方法 | |
CN108389404B (zh) | 道路交通拥堵治理方法 | |
JP3380882B2 (ja) | 交通信号制御方法及び制御装置 | |
CN117218828A (zh) | 一种公交到站时间预测方法 | |
CN115472023B (zh) | 一种基于深度强化学习的智能交通灯控制方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |