Resumen

El control de los semáforos para aliviar la creciente presión del tráfico es un concepto que ha recibido la atención pública durante mucho tiempo. Sin embargo, los sistemas y metodologías existentes para controlar los semáforos son insuficientes para abordar el problema. Con este fin, construimos un modelo de control de señales de tráfico verdaderamente adaptativo en un microsimulador de tráfico, es decir, "Simulación de Movilidad Urbana" (SUMO), utilizando la tecnología del aprendizaje profundo por refuerzo moderno. El modelo se propone a partir de un algoritmo de redes Q profundas que representa con precisión los elementos asociados al problema: agentes, entornos y acciones. Como entrada al modelo se utiliza el estado del tráfico en tiempo real, incluyendo el número de vehículos y la velocidad media, en una o varias intersecciones. Para reducir el tiempo medio de espera, los agentes proporcionan una fase y una duración óptimas del semáforo que deben aplicarse tanto en los casos de una sola intersección como en los de varias. La cooperación entre los agentes permite al modelo lograr una mejora del rendimiento global en una gran red de carreteras. Mediante pruebas con conjuntos de datos pertenecientes a tres condiciones de tráfico diferentes, demostramos que el modelo propuesto es mejor que otros métodos (por ejemplo, el método de aprendizaje Q, el método de la cola más larga primero y el método de control de tiempo fijo Webster) para todos los casos. El modelo propuesto reduce tanto el tiempo medio de espera como el tiempo de viaje, y resulta más ventajoso a medida que el entorno de tráfico se hace más complejo.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:modelo, tiempo medio de espera, agentes, casos de intersección, semáforos, modelo adaptativo de control de semáforos, aprendizaje por refuerzo profundo moderno, fase óptima de semáforos, diferentes condiciones de tráfico, gran red de carreteras
• Keywords:model, average waiting time, agents, intersection cases, traffic signals, adaptive traffic signal control model, modern deep reinforcement learning, optimal traffic signal phase, different traffic conditions, large road network