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：交通工程, 2019, 19(04): 1-6.

DOI：10.13986/j.cnki.jote.2019.04.001

• 匝道控制
• 人工智能
• 深度强化学习
• 图像
• 效果评价

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.

• 单位
  东南大学