CoSLight: Co-optimizing Collaborator Selection and Decision-making to Enhance Traffic Signal Control

有效的多路口协作对于基于强化学习的交通信号控制以缓解拥堵至关重要。现有的工作主要选择相邻的路口作为协作者。然而，相当数量的拥堵，甚至是一些广泛的拥堵，是由非邻居的路口未能协作造成的。为了解决这些问题，我们提出将协作者选择作为第二个策略单独学习，与原始的信号控制策略同时更新。具体来说，实时的选择策略根据相位和路口级别的特征自适应地选择最佳的队友。合成和真实世界数据集上的实证结果为我们的方法的优越性提供了强有力的验证，相比现有的最先进方法，我们的方法提供了显著的改进。代码可在https://github.com/bonaldli/CoSLight上获得。

如何有效地解决交通拥堵问题，特别是在非邻近交叉口之间的协作问题？

将协作者选择作为第二个策略与原信号控制策略同时进行学习，根据相位和交叉口级别的特征实时自适应选择最佳协作者。

论文提出的方法在合成和真实数据集上进行了实验，结果表明其优于现有的最先进方法。研究者提供了开源代码。

与该论文相关的研究包括：'Multi-Agent Reinforcement Learning for Traffic Light Control'、'Deep Reinforcement Learning for Traffic Light Control in Vehicular Networks: Asynchronous Q-Learning'等。