典型文献
结合状态预测的深度强化学习交通信号控制
文献摘要：
深度强化学习(deep reinforcement learning,DRL)可广泛应用于城市交通信号控制领域,但在现有研究中,绝大多数的DRL智能体仅使用当前的交通状态进行决策,在交通流变化较大的情况下控制效果有限.提出一种结合状态预测的DRL信号控制算法.首先,利用独热编码设计简洁且高效的交通状态;然后,使用长短期记忆网络(long short-term memory,LSTM)预测未来的交通状态;最后,智能体根据当前状态和预测状态进行最优决策.在SUMO(simulation of urban mobility)仿真平台上的实验结果表明,在单交叉口、多交叉口的多种交通流量条件下,与三种典型的信号控制算法相比,所提算法在平均等待时间、行驶时间、燃油消耗、C02排放等指标上都具有最好的性能.
文献关键词：
交通信号控制;状态预测;深度强化学习;深度Q网络;长短期记忆网络
中图分类号：
作者姓名：
唐慕尧;周大可;李涛
作者机构：
南京航空航天大学 自动化学院,南京211100
文献出处：
引用格式：
[1]唐慕尧;周大可;李涛-.结合状态预测的深度强化学习交通信号控制)[J].计算机应用研究,2022(08):2311-2315
A类：
B类：
状态预测,深度强化学习,deep,reinforcement,learning,DRL,城市交通信号控制,控制领域,智能体,交通状态,控制算法,独热编码,编码设计,长短期记忆网络,long,short,term,memory,预测未来,最优决策,SUMO,simulation,urban,mobility,仿真平台,单交,交叉口,交通流量,平均等待时间,行驶时间,燃油消耗,C02
AB值：
0.348207
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
