留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于分布式强化学习的高速公路控制模型

温凯歌,  曲仕茹

downloadPDF
文章导航 > 交通信息与安全  > 2011 >  29(3): 24-28
温凯歌, 曲仕茹. 基于分布式强化学习的高速公路控制模型[J]. 交通信息与安全, 2011, 29(3): 24-28. doi: 10.3963/j.ISSN1674-4861.2011.03.006
引用本文: 温凯歌, 曲仕茹. 基于分布式强化学习的高速公路控制模型[J]. 交通信息与安全, 2011, 29(3): 24-28. doi: 10.3963/j.ISSN1674-4861.2011.03.006
shu
WEN Kaige, QU Shiru. A Freeway Traffic Flow Control Model Based on Distributed Reinforcement Learning[J]. Journal of Transport Information and Safety, 2011, 29(3): 24-28. doi: 10.3963/j.ISSN1674-4861.2011.03.006
Citation: WEN Kaige, QU Shiru. A Freeway Traffic Flow Control Model Based on Distributed Reinforcement Learning[J]. Journal of Transport Information and Safety, 2011, 29(3): 24-28. doi: 10.3963/j.ISSN1674-4861.2011.03.006
shu

基于分布式强化学习的高速公路控制模型

doi: 10.3963/j.ISSN1674-4861.2011.03.006

  • 西北工业大学自动化学院,西安710072;长安大学电子与控制工程学院,西安710064

  • 西安710072,长安大学电子与控制工程学院

基金项目: 

国家自然科学基金项目

详细信息

  • 中图分类号: U491

A Freeway Traffic Flow Control Model Based on Distributed Reinforcement Learning

    摘要
  • 摘要: 针对公路交通流非线性、不确定性和模糊性特点,提出了面向控制的交通网络宏观动态离散模型,并且引入分布式强化学习来解决交通网络的控制与诱导问题.以传统网络交通流模型Metanet为基础,对其作了改进,引入起讫点的因素到模型中,提出基于OD的网络交通流动态模型Metanet-OD.根据交通网络的特点,将分布式强化学习DRL引入到交通网络中,进行匝道控制和可变显示牌的诱导控制,设定了强化学习的动作空间,并给出了DRL算法.在仿真试验中对控制效果进行了验证.

     

    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献
  • 资源附件(0)
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:  605
  • HTML全文浏览量:  133
  • PDF下载量:  0
  • 被引次数: 0
出版历程
  • 刊出日期:  2011-06-28

目录

    /

    返回文章
    返回

    版权所有《交通信息与安全》编辑部鄂ICP备05003336号-2

    通信地址：湖北省武汉市武昌区和平大道1178号，武汉理工大学余家头校区 (430063)

    联系电话：027-86580355电子邮箱：jtjsj@vip.163.com

    本系统由 北京仁和汇智信息技术有限公司 开发