CN115171390A - 一种交通信号机自适应控制方法、交通信号机及控制系统 - Google Patents
一种交通信号机自适应控制方法、交通信号机及控制系统 Download PDFInfo
- Publication number
- CN115171390A CN115171390A CN202210892259.6A CN202210892259A CN115171390A CN 115171390 A CN115171390 A CN 115171390A CN 202210892259 A CN202210892259 A CN 202210892259A CN 115171390 A CN115171390 A CN 115171390A
- Authority
- CN
- China
- Prior art keywords
- traffic
- signal
- traffic signal
- green
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000002787 reinforcement Effects 0.000 claims abstract description 19
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 239000013604 expression vector Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- G08G1/0125—Traffic data processing
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种交通信号机自适应控制方法、交通信号机及控制系统,属于智慧交通信号机控制领域。所述自适应控制方法,包括获取真实交叉口所在每条道路上原始交通流量信息;将所述车辆密度和队列状态输入深度强化学习神经网络进行观测,生成当前交通状态下不同动作的价值表;根据所述价值表选择出奖励函数最大化的信号机相位动作以及绿信时长,并根据该相位动作以及绿信时长控制当前周期交通信号灯状态。本发明根据不同的交通流量自适应调整信号机相位状态和绿信时长,优化了交叉路口信号灯配时方案,可以在一定程度上合理提升交叉路口通行效率,从而可以提高交通流量承载容量。
Description
技术领域
本发明属于智慧交通信号机控制领域,更具体地,涉及一种交通信号机自适应控制方法、交通信号机及控制系统。
背景技术
社会依赖于它的许多运输系统来实现个人或货物运送服务,并希望确保车辆能够高效地从起点移动到目的地。然而,随着人口和车辆拥有量的增加,道路基础设施的压力越来越大,超出道路承载需求的运输任务导致拥堵、旅行延误以及不必要的车辆排放问题。为了解决这个问题,可以通过扩大道路基础设施来增加能力;然而,这不仅会带来昂贵的建设成本,并且会在短期施工内影响交通,降低承载容量。
发明内容
有鉴于此,本发明实施例提供一种交通信号机自适应控制方法、交通信号机及控制系统,可以在一定程度上合理提升交叉路口通行效率,从而可以提高交通流量承载容量。
为达到上述发明目的,采用如下技术方案:
第一方面,本发明提供一种交通信号机自适应控制方法,所述方法包括步骤:
S10.获取真实交叉口所在每条道路上原始交通流量信息;所述原始交通流量信息包含:车辆密度和队列状态;
S20.将所述车辆密度和队列状态输入深度强化学习神经网络进行观测,生成当前交通状态下不同动作的价值表;其中,所述不同动作形成的动作空间为包含由八个不同的交通信号灯相位以及绿信时长构成的集合,奖励函数设置为多指标系数的加权和;
S30.根据所述价值表选择出奖励函数最大化的信号机相位动作以及绿信时长,并根据该相位动作以及绿信时长控制当前周期交通信号灯状态。
进一步的,在步骤S30之后,所述方法还包括步骤S40.重复执行步骤S10至S30,预测下一个周期信号机相位动作以及绿信时长,并控制对应周期交通信号灯状态。
进一步的,所述步骤S10为:从信号中心决策系统获取真实交叉口每条道路上原始交通流量信息;其中,所述信号中心决策系统根据所述交通信号机所处真实交叉路口生成相应的虚拟交叉路口,配置相应的路网文件,并实时采集交通流量信息及对应的信号机的相位信息存储。
进一步的,所述信号中心决策系统采集的交通流量信息及对应的信号机的相位信息信息为靠近真实交叉口每条车道的车辆密度、队列和当前周期信号机的相位信息。
进一步的,所述步骤S10中,通过堆叠的自编码器自动提取原始交通流量信息的降维特征表达向量,并整合当前交通信号机的相位信息,构成深度强化学习神经网络的状态空间;所述状态空间包含:车辆密度、队列长度以及相位信息。
进一步的,步骤S20中,若四个相位动作,分别为南北方向直行绿灯、南北方向左转加直行绿灯、东西方向直行绿灯及东西方向左转加直行绿灯,以及设置两个绿信周期,分别为40秒和70秒;则,通过不同的相位切换和绿信时长构成八个元素的动作集合形成的动作空间。
进一步的,步骤S40中,所述奖励函数设置为车辆平均等待时间、延误时间、以及排队长度的加权和。
进一步的,所述步骤S20还包括:将当前周期真实交叉口的交通流量信息作为深度强化学习神经网络的训练数据进行训练;
得到所述真实交叉口的信号机自适应配时模型,以自适应交通流量信息确定该真实交叉口的交通信号灯配时方案。
第二方面,本发明提供一种交通信号机,所述交通信号机包括:数据获取模块,用于获取真实交叉口所在每条道路上原始交通流量信息;所述原始交通流量信息包含:车辆密度和队列状态;
自适应配时模块,用于将所述车辆密度和队列状态输入深度强化学习神经网络进行观测,生成当前交通状态下不同动作的价值表;其中,所述不同动作形成的动作空间为包含由八个不同的交通信号灯相位以及绿信时长构成的集合,奖励函数设置为多指标系数的加权和;
信号控制模块,用于根据所述价值表选择出奖励函数最大化的信号机相位动作以及绿信时长,并根据该相位动作以及绿信时长控制当前周期交通信号灯状态。
第三方面,本发明提供一种智慧交通信号灯控制系统,包括:信号中心决策系统及第二方面所述的交通信号机,所述信号中心决策系统与所述交通信号机通信连接,所述交通信号机与所述信号中心决策系统配合,以执行第一方面和第二方面任一所述的自适应控制方法。
本发明提供一种交通信号机自适应控制方法、交通信号机及控制系统,通过获取真实交叉口所在每条道路上原始交通流量信息;所述原始交通流量信息包含:车辆密度和队列状态;将所述车辆密度和队列状态输入深度强化学习神经网络进行观测,生成当前交通状态下不同动作的价值表;其中,所述不同动作形成的动作空间为包含由八个不同的交通信号灯相位以及绿信时长构成的集合,奖励函数设置为多指标系数的加权和;根据所述价值表选择出奖励函数最大化的信号机相位动作以及绿信时长,并根据该相位动作以及绿信时长控制当前周期交通信号灯状态。这样,基于深度强化学习神经网络与获取的交通流量信息,可根据不同的交通流量自适应调整信号机相位状态和绿信时长,优化了交叉路口信号灯配时方案,可以在一定程度上合理提升交叉路口通行效率,从而可以提高交通流量承载容量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一实施例交通信号机自适应控制方法步骤流程图;
图2为本发明一实施例单点十字路口;
图3为本发明一实施例基于DQN的单点信号机控制模型图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一
本发明提供一种交通信号机自适应控制方法,所述方法包括步骤,如图1所示:
S10.获取真实交叉口所在每条道路上原始交通流量信息;所述原始交通流量信息包含:车辆密度和队列状态。
其中,所述原始交通流量信息可以是从后台决策中心系统中获取的,也可以是从实时采集的路况信息中获取的。
S20.将所述车辆密度和队列状态输入深度强化学习神经网络进行观测,生成当前交通状态下不同动作的价值表(俗称Q表);其中,所述不同动作形成的动作空间为包含由八个不同的交通信号灯相位以及绿信时长构成的集合,奖励函数设置为多指标系数的加权和。
示例性地,如图3所示,所述深度强化学习神经网络主要由两个相连的分别由42个神经元组成的全连接层构成,输出为生成的列向量数字(实数),每个代表不同的动作价值,构成Q表。
S30.根据所述价值表选择出奖励函数最大化的信号机相位动作以及绿信时长,并根据该相位动作以及绿信时长控制当前周期交通信号灯状态。
示例性地,请继续参看图3所示,利用深度强化学习神经网络DQN算法生成当前交通状态下不同动作的价值表。假设四个相位动作,分别为南北方向直行绿灯,南北方向左转加直行绿灯,东西方向直行绿灯,东西方向左转加直行绿灯。并设置两个绿信周期,分别为40秒和70秒。通过不同的相位切换和绿信时长构成八个元素的动作集合,以形成动作空间。其中,动作空间一般以向量构成的矩阵表示,该动作空间是一个由八个不同的交通灯相位以及绿信时长构成的集合,奖励函数设置多指标系数的加权和。
本发明实施例提供的交通信号机自适应控制方法,基于深度强化学习神经网络与获取的交通流量信息,交通信号机可根据不同的交通流量自适应调整信号机相位状态和绿信时长,优化了交叉路口信号灯配时方案,可以在一定程度上合理提升交叉路口通行效率,从而可以提高交通流量承载容量,降低车辆拥塞状况。
在一些实施例中,在步骤S30之后,所述方法还包括:步骤S40、奖励函数设置为车辆平均等待时间、延误时间、以及排队长度的加权和。
信号机根据价值表选择出奖励函数最大化的信号机相位动作以及绿信时长,在下一个周期重复上述步骤。重复执行步骤S10至S30,预测下一个周期信号机相位动作以及绿信时长,并控制对应周期交通信号灯状态。
在一些实施例中,所述步骤S10为:从信号中心决策系统获取真实交叉口每条道路上原始交通流量信息;其中,所述信号中心决策系统根据所述交通信号机所处真实交叉路口生成相应的虚拟交叉路口,配置相应的路网文件,并实时采集交通流量信息及对应的信号机的相位信息存储。示例性地,可利用SUMO仿真软件生成一个单点十字路口,如图2所示;配置其路网文件,并将实时交通流量信息输入到信号中心决策系统。
在一些实施例中,所述信号中心决策系统采集的交通流量信息及对应的信号机的相位信息信息为靠近真实交叉口每条车道的车辆密度、队列和当前周期信号机的相位信息。
在一些实施例中,所述步骤S10中,通过堆叠的自编码器自动提取原始交通流量信息的降维特征表达向量,并整合当前交通信号机的相位信息,构成深度强化学习神经网络的状态空间;所述状态空间包含:车辆密度、队列长度以及相位信息。
在一些实施例中,步骤S20中,若四个相位动作,分别为南北方向直行绿灯、南北方向左转加直行绿灯、东西方向直行绿灯及东西方向左转加直行绿灯,以及设置两个绿信周期,分别为40秒和70秒;则,通过不同的相位切换和绿信时长构成八个元素的动作集合形成的动作空间。通过堆叠的自编码器自动提取原始信息的降维特征表达,并整合当前交通信号机的相位信息,构成DQN算法的状态空间(车辆密度、队列长度以及相位信息),表示如下:
3)状态三即对当前交通信号相位信息的编码;
4)状态四为当前阶段花费的时间数值。
在一些实施例中,步骤S40中,所述奖励函数设置为车辆平均等待时间、延误时间、以及排队长度的加权和。
在一些实施例中,所述步骤S20还包括:将当前周期真实交叉口的交通流量信息作为深度强化学习神经网络的训练数据进行训练;得到所述真实交叉口的信号机自适应配时模型,以自适应交通流量信息确定该真实交叉口的交通信号灯配时方案。
本发明提供的交通信号机自适应控制方法,基于深度强化学习神经网络与获取的交通流量信息,可根据不同的交通流量自适应调整信号机相位状态和绿信时长,优化了交叉路口信号灯配时方案,可以在一定程度上合理提升交叉路口通行效率,从而可以提高交通流量承载容量,有助于纾解道路拥塞问题。
实施例二
本发明提供一种交通信号机,所述交通信号机包括:数据获取模块,用于获取真实交叉口所在每条道路上原始交通流量信息;所述原始交通流量信息包含:车辆密度和队列状态;
自适应配时模块,用于将所述车辆密度和队列状态输入深度强化学习神经网络进行观测,生成当前交通状态下不同动作的价值表;其中,所述不同动作形成的动作空间为包含由八个不同的交通信号灯相位以及绿信时长构成的集合,奖励函数设置为多指标系数的加权和;
信号控制模块,用于根据所述价值表选择出奖励函数最大化的信号机相位动作以及绿信时长,并根据该相位动作以及绿信时长控制当前周期交通信号灯状态。
本实施例可以用于实施例一所示方法实施例的技术方案,其实现原理和技术效果与实施例一类似,此处不再多赘述,可相互参看。
另外,可以理解的是本实施也适用于实施例一中其它实施例执行步骤流程,具体可参看实施例一种相关描述,在此就不再赘述。
实施例三
本发明提供一种智慧交通信号灯控制系统,包括:信号中心决策系统及实施例二所述的交通信号机,所述信号中心决策系统与所述交通信号机通信连接,所述交通信号机与所述信号中心决策系统配合,以执行实施例一和实施例二任一所述的自适应控制方法。
本发明实施例提供的交通信号机自适应控制方法、交通信号机及控制系统,根据不同的交通流量自适应调整信号机状态和时间,可以在一定程度上合理提升交叉路口通行效率,从而可以提高交通流量承载容量,有助于改善现有基础设施和管理它们的运输效率。
需要说明的是,本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。另外,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系排要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确排出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种交通信号机自适应控制方法,其特征在于,所述方法包括步骤:
S10.获取真实交叉口所在每条道路上原始交通流量信息;所述原始交通流量信息包含:车辆密度和队列状态;
S20.将所述车辆密度和队列状态输入深度强化学习神经网络进行观测,生成当前交通状态下不同动作的价值表;其中,所述不同动作形成的动作空间为包含由八个不同的交通信号灯相位以及绿信时长构成的集合,奖励函数设置为多指标系数的加权和;
S30.根据所述价值表选择出奖励函数最大化的信号机相位动作以及绿信时长,并根据该相位动作以及绿信时长控制当前周期交通信号灯状态。
2.根据权利要求1所述的方法,其特征在于,在步骤S30之后,所述方法还包括步骤S40.重复执行步骤S10至S30,预测下一个周期信号机相位动作以及绿信时长,并控制对应周期交通信号灯状态。
3.根据权利要求1所述的方法,其特征在于,所述步骤S10为:从信号中心决策系统获取真实交叉口每条道路上原始交通流量信息;其中,所述信号中心决策系统根据所述交通信号机所处真实交叉路口生成相应的虚拟交叉路口,配置相应的路网文件,并实时采集交通流量信息及对应的信号机的相位信息存储。
4.根据权利要求3所述的方法,其特征在于,所述信号中心决策系统采集的交通流量信息及对应的信号机的相位信息信息为靠近真实交叉口每条车道的车辆密度、队列和当前周期信号机的相位信息。
5.根据权利要求1所述的方法,其特征在于,所述步骤S10中,通过堆叠的自编码器自动提取原始交通流量信息的降维特征表达向量,并整合当前交通信号机的相位信息,构成深度强化学习神经网络的状态空间;所述状态空间包含:车辆密度、队列长度以及相位信息。
6.根据权利要求1所述的方法,其特征在于,步骤S20中,若四个相位动作,分别为南北方向直行绿灯、南北方向左转加直行绿灯、东西方向直行绿灯及东西方向左转加直行绿灯,以及设置两个绿信周期,分别为40秒和70秒;则,通过不同的相位切换和绿信时长构成八个元素的动作集合形成的动作空间。
7.根据权利要求1所述的方法,其特征在于,步骤S40中,所述奖励函数设置为车辆平均等待时间、延误时间、以及排队长度的加权和。
8.根据权利要求1所述的方法,其特征在于,所述步骤S20还包括:将当前周期真实交叉口的交通流量信息作为深度强化学习神经网络的训练数据进行训练;
得到所述真实交叉口的信号机自适应配时模型,以自适应交通流量信息确定该真实交叉口的交通信号灯配时方案。
9.一种交通信号机,其特征在于,所述交通信号机包括:数据获取模块,用于获取真实交叉口所在每条道路上原始交通流量信息;所述原始交通流量信息包含:车辆密度和队列状态;
自适应配时模块,用于将所述车辆密度和队列状态输入深度强化学习神经网络进行观测,生成当前交通状态下不同动作的价值表;其中,所述不同动作形成的动作空间为包含由八个不同的交通信号灯相位以及绿信时长构成的集合,奖励函数设置为多指标系数的加权和;
信号控制模块,用于根据所述价值表选择出奖励函数最大化的信号机相位动作以及绿信时长,并根据该相位动作以及绿信时长控制当前周期交通信号灯状态。
10.一种智慧交通信号灯控制系统,其特征在于,包括:信号中心决策系统及权利要求9所述的交通信号机,所述信号中心决策系统与所述交通信号机通信连接,所述交通信号机与所述信号中心决策系统配合,以执行权利要求1至8任一所述的自适应控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210892259.6A CN115171390A (zh) | 2022-07-27 | 2022-07-27 | 一种交通信号机自适应控制方法、交通信号机及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210892259.6A CN115171390A (zh) | 2022-07-27 | 2022-07-27 | 一种交通信号机自适应控制方法、交通信号机及控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115171390A true CN115171390A (zh) | 2022-10-11 |
Family
ID=83497006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210892259.6A Pending CN115171390A (zh) | 2022-07-27 | 2022-07-27 | 一种交通信号机自适应控制方法、交通信号机及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115171390A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830887A (zh) * | 2023-02-14 | 2023-03-21 | 武汉智安交通科技有限公司 | 一种自适应交通信号控制方法、系统及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090322561A1 (en) * | 2008-06-04 | 2009-12-31 | Roads And Traffic Authority Of New South Wales | Traffic signals control system |
CN109215355A (zh) * | 2018-08-09 | 2019-01-15 | 北京航空航天大学 | 一种基于深度强化学习的单点交叉口信号配时优化方法 |
CN113436443A (zh) * | 2021-03-29 | 2021-09-24 | 东南大学 | 一种基于生成对抗网络和强化学习的分布式交通信号控制方法 |
CN113963555A (zh) * | 2021-10-12 | 2022-01-21 | 南京航空航天大学 | 一种结合状态预测的深度强化学习交通信号控制方法 |
US20220076571A1 (en) * | 2019-10-28 | 2022-03-10 | Laon People Inc. | Signal control apparatus and signal control method based on reinforcement learning |
CN114627657A (zh) * | 2022-03-09 | 2022-06-14 | 哈尔滨理工大学 | 一种基于图深度强化学习的自适应交通信号控制方法 |
-
2022
- 2022-07-27 CN CN202210892259.6A patent/CN115171390A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090322561A1 (en) * | 2008-06-04 | 2009-12-31 | Roads And Traffic Authority Of New South Wales | Traffic signals control system |
CN109215355A (zh) * | 2018-08-09 | 2019-01-15 | 北京航空航天大学 | 一种基于深度强化学习的单点交叉口信号配时优化方法 |
US20220076571A1 (en) * | 2019-10-28 | 2022-03-10 | Laon People Inc. | Signal control apparatus and signal control method based on reinforcement learning |
CN113436443A (zh) * | 2021-03-29 | 2021-09-24 | 东南大学 | 一种基于生成对抗网络和强化学习的分布式交通信号控制方法 |
CN113963555A (zh) * | 2021-10-12 | 2022-01-21 | 南京航空航天大学 | 一种结合状态预测的深度强化学习交通信号控制方法 |
CN114627657A (zh) * | 2022-03-09 | 2022-06-14 | 哈尔滨理工大学 | 一种基于图深度强化学习的自适应交通信号控制方法 |
Non-Patent Citations (3)
Title |
---|
于田: "基于机器学习的交通流缺失数据填补和短时交通流预测方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 12, pages 14 - 16 * |
师丽 等: "智能控制基础", vol. 1, 机械工业出版社, pages: 225 - 226 * |
张子轩: "基于混沌特性分析与MEA-LSTM模型的短时交通流预测", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 3, pages 25 - 28 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830887A (zh) * | 2023-02-14 | 2023-03-21 | 武汉智安交通科技有限公司 | 一种自适应交通信号控制方法、系统及可读存储介质 |
CN115830887B (zh) * | 2023-02-14 | 2023-05-12 | 武汉智安交通科技有限公司 | 一种自适应交通信号控制方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Edge AI: On-demand accelerating deep neural network inference via edge computing | |
CN114721833B (zh) | 一种基于平台业务类型的智能云端协调方法和装置 | |
Prashanth et al. | Threshold tuning using stochastic optimization for graded signal control | |
Dong et al. | NOMA-based energy-efficient task scheduling in vehicular edge computing networks: A self-imitation learning-based approach | |
CN115171390A (zh) | 一种交通信号机自适应控制方法、交通信号机及控制系统 | |
Zhang et al. | Generative AI-enabled vehicular networks: Fundamentals, framework, and case study | |
CN115829024B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN113220364A (zh) | 一种基于车联网移动边缘计算系统模型的任务卸载方法 | |
CN113053120A (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 | |
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 | |
CN112668694A (zh) | 一种基于深度学习的区域流量预测方法 | |
Wu et al. | Deep Reinforcement Learning Based Traffic Signal Control: A Comparative Analysis | |
CN116957260A (zh) | 基于用车需求预测的承接商车辆智能调配方法 | |
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 | |
CN116795535A (zh) | 基于车边云协同架构的任务卸载方法、系统以及介质 | |
Zhang et al. | Intelligent scheduling of public traffic vehicles based on a hybrid genetic algorithm | |
CN116189454A (zh) | 交通信号控制方法、装置、电子设备及存储介质 | |
CN109474516A (zh) | 基于卷积神经网络的即时通信连接策略推荐方法及系统 | |
CN115293519A (zh) | 公交线路排班的处理方法、装置、设备及可读存储介质 | |
Chen et al. | Traffic flow prediction based on cooperative vehicle infrastructure for cloud control platform | |
Shahriar et al. | Intersection traffic efficiency enhancement using deep reinforcement learning and V2X communications | |
Zhao et al. | Learning multi-agent communication with policy fingerprints for adaptive traffic signal control | |
CN117293916B (zh) | 一种面向用户的电网调度方法及装置、计算设备 | |
CN114710439B (zh) | 基于深度强化学习的网络能耗与吞吐量联合优化路由方法 | |
CN115471142B (zh) | 一种基于人机协同的港口拖轮作业智能调度方法 |
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 |