Resumen

Con el rápido desarrollo de la urbanización, cómo mejorar la eficacia de los semáforos se ha convertido en una cuestión urgente. El control semafórico tradicional es un método que calcula una serie de parámetros de temporización correspondientes optimizando la duración del ciclo. Sin embargo, fijar la secuencia y la duración de los semáforos resulta ineficaz para la regulación dinámica del flujo de tráfico. Para resolver el problema anterior, este estudio propone un esquema de optimización de la temporización de los semáforos basado en el aprendizaje profundo por refuerzo (DRL). En este esquema, los semáforos pueden emitir una fase apropiada de acuerdo con el estado del flujo de tráfico de cada dirección en la intersección y ajustar dinámicamente la longitud de la fase. En concreto, primero adoptamos la Optimización de Política Próxima (PPO) para mejorar la velocidad de convergencia del modelo. A continuación, elaboramos el diseño de estado, acción y recompensa, con el estado del vehículo definido por el método de Codificación Discreta del Estado del Tráfico (DTSE). Por último, realizamos experimentos con datos de tráfico real a través de la plataforma de simulación de tráfico SUMO. Los resultados muestran que, en comparación con el control de tiempo tradicional, el esquema propuesto puede reducir eficazmente el tiempo de espera de los vehículos y la longitud de las colas en varios modos de flujo de tráfico.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:semáforos, codificación discreta del estado del tráfico, regulación dinámica del flujo de tráfico, control tradicional de semáforos, esquema de optimización de la temporización de semáforos, plataforma de simulación de tráfico sumo, diversos modos de flujo de tráfico, optimización proximal de políticas, aprendizaje profundo por refuerzo, datos reales de tráfico
• Keywords:traffic lights, discrete traffic state encoding, dynamic traffic flow regulation, traditional traffic light control, traffic light timing optimization scheme, traffic simulation platform sumo, various traffic flow modes, proximal policy optimization, deep reinforcement learning, real traffic data