基于图像卷积神经网络的匝道控制深度强化学习算法研究

• 作者: 戴昇宏 李志斌
• 来源期刊: 交通工程
• 学科: 交通运输
• 关键词: 匝道控制 人工智能 深度强化学习 图像 效果评价
• 年，卷（期）: 2019,（4）
• 页码范围: 1-6
• 页数: 6页
• 分类号: U491.4
• 语种: 中文
• DOI: 10.13986/j.cnki.jote.2019.04.001

摘要

针对入口匝道流量控制提升通行效率问题,提出了一种基于图像卷积神经网络的匝道控制深度强化学习算法.克服传统依赖定点检测器的匝道控制对于交通状态估计模糊的缺陷,建立基于图像卷积神经网络的连续时空交通状态解析,采用具有优先经验回放的深度Q学习算法,构建以视频图像作为输入、最优匝道流量策略为输出的算法框架.基于交通仿真(SUMO)平台,模拟了典型的高速公路合流瓶颈路段并进行控制效果测试.结果表明,深度强化学习匝道控制策略能够主动响应不同的交通状态,在短训练时间内达到目标找到最优控制策略,通过采取合适控制动作消除和预防合流区拥堵.本文提出的控制策略有效减少系统总旅行时间13.05％,优于传统定时调节式匝道控制和反馈式匝道控制算法,能更加有效提升高速公路合流区通行效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李志斌	东南大学交通学院	18	146	9.0	12.0
2	戴昇宏	东南大学交通学院	1	0	0.0	0.0