Resumen

Este artículo desarrolla un modelo de medición de rampas por aprendizaje de refuerzo (RLRM) sin información completa, que se aplica para aliviar las congestiones de tráfico en las rampas. El RLRM consta de herramientas de predicción que dependen de la simulación del flujo de tráfico y de un modelo de elección óptima basado en las teorías del aprendizaje por refuerzo. Además, también es un proceso dinámico con capacidades de automaticidad, memoria y retroalimentación del rendimiento. En este estudio se presentan casos numéricos para demostrar el RLRM, como el cálculo de la tasa de afluencia, la densidad, la velocidad media y el tiempo de viaje en comparación con la ausencia de control y el control a tiempo fijo. Los resultados indican que cuanto mayor es la afluencia, mayor es el efecto. Además, la estabilidad del RLRM es mejor que la del control de tiempo fijo.

• Materias:Automatización Control del proceso Sistemas no lineales Modelo lineal Regulación automática Diagnóstico de fallos
• Subjects:Automation Nonlinear systems Linear model Automatic regulation Fault diagnosis
• Palabras claves:rlrm, control del tiempo, modelo de elección óptima, teorías de aprendizaje por refuerzo, simulación de flujos de tráfico, casos numéricos, velocidad media, información completa, proceso dinámico, tasa de salida
• Keywords:rlrm, time control, optimal choice model, reinforcement learning theories, traffic flow simulation, numerical cases, average speed, complete information, dynamic process, outflow rate