基于异步深度强化学习的城市智能交通控制方法

摘要

cqvip:本文针对城市智能交通信号控制领域存在的控制效果差,算法收敛速度慢等问题,提出了一种基于异步优势行动者-评论者算法的深度强化学习的城市智能交通控制算法。首先抽象出交通路口的特征,输入到由神经网络构成的智能体,通过多个智能体异步学习,解决了传统方法控制效果不理想、训练耗时过长的问题。通过在开源交通模拟软件sumo上进行仿真,对比固定时间和传统方法控制的交通路口信号灯,不同的交通流量情况下的交通路口通行效率都有所提高。实验证明本文提出的方法可以有效解决城市交通路口信号灯控制问题。