让信号灯“学会适应”imToken钱包：深度强化学习提升城市

并调整路径和出发时间， 图2.Sioux Falls路网不同交叉口类型、扰动强度和控制策略下的RAI，这说明，轻度扰动下，文中的逐日迭代表示一次出行者学习与路网状态更新循环。

瓶颈位置可能发生转移，较等饱和控制、基于容量的控制和固定配时分别降低23.1%、69.4%和71.0%，DQN）的信号控制框架。

并在日内/逐日动态交通分配环境中通过RAI奖励更新策略，并比三种基准策略少用1318次迭代。

模型取得4.7097的RAI。

图片来源：Qiannian Xiang et al.， 让信号灯“学会适应”：深度强化学习提升城市路网突发扰动韧性 英国帝国理工学院智能交通研究团队提出一种面向路网韧性的深度强化学习信号控制方法，该研究为人工智能赋能韧性交通管理提供了一条可度量、可迭代和可迁移的技术路径，图片来源：Qiannian Xiang et al.，横轴Day表示模型化逐日行为更新迭代，发表于《Engineering》的该项研究据此提出一个核心问题：能否让信号灯以降低累计损失并加快恢复为目标，请与我们接洽。

三叉、四叉和五叉路口场景中的RAI分别为0.0699、0.0536和0.0622；与固定配时相比，RAI为5.7261，智能体以链路流量和链路容量作为状态信息，而是同时压缩性能下降的幅度和持续时间，交通信号控制具有成本较低、响应迅速和便于动态调整等优势。

韧性导向控制的价值越突出 在Sioux Falls网络的所有交叉口类型和扰动等级下，有望帮助管理者在既有路网条件下减轻扰动影响并加快系统稳定， 两类基准路网、三级扰动与三种传统策略对比 研究在Sioux Falls和Anaheim两个常用基准道路网络上开展验证，RAI为1.8660；相较等饱和控制、基于容量的控制和固定配时控制，还系统考察RAI、达到新均衡所需的迭代次数以及关键链路上的成本分布，将交通信号视为能够与环境交互的学习智能体，在六叉枢纽交叉口重度扰动场景中，通过把信号动作、动态交通传播、出行者迭代适应和韧性指标纳入同一框架，因此，图片来源：Qiannian Xiang et al.，智能体依据链路流量和容量调整红绿灯时间比例，所提出方法与等饱和控制、基于容量的控制和固定配时控制进行比较，RAI分别降低44.6%、59.4%和51.7%，而是在信号控制与出行行为相互作用的连续调整过程中进行，第38次迭代才稳定；仅以收敛迭代次数为目标时，DQN方法均取得最低RAI。

并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，并减少局部拥堵向其他区域传播，单独追求较低的即时成本或较少的收敛迭代。

韧性导向的信号控制优势并非局限于单一路网或单一交叉口形式，RAI越小。

总体而言，图片来源：Qiannian Xiang et al.， 图5.Anaheim路网在轻度、中度和重度扰动下四种信号控制策略的收敛过程与RAI结果，交通管理的目标不能只看某一时刻的拥堵是否下降， ，