MoveLight: Enhancing Traffic Signal Control through Movement-Centric Deep Reinforcement Learning

本文介绍了MoveLight，一种通过以移动为中心的深度强化学习增强城市交通管理的新型交通信号控制系统。通过利用详细的实时数据和先进的机器学习技术，MoveLight克服了传统交通信号控制方法的局限性。它采用基于车道的控制方法，使用FRAP算法实现动态和自适应的交通信号控制，优化交通流量，减少拥堵，提高整体效率。我们的研究证明了MoveLight在单个路口、干道和网络级别上的可扩展性和有效性。使用科隆和杭州的真实数据集进行的实验结果显示，与现有方法相比，排队长度、延迟和吞吐量等指标有了显著的改善。本研究突显了深度强化学习在智能交通信号控制中的变革潜力，为可持续和高效的城市交通系统设定了新标准。

论文旨在通过运动中心的深度强化学习来增强城市交通管理，优化交通信号控制系统，解决传统交通信号控制方法的局限性。

MoveLight采用车道级控制方法，使用FRAP算法实现动态和自适应交通信号控制，优化交通流量，减少拥堵，提高整体效率。

论文使用来自科隆和杭州的真实世界数据集进行实验，证明了MoveLight在单个路口、干道和网络级别上的可扩展性和有效性。相比现有方法，MoveLight在排队长度、延迟和吞吐量等指标上显示出显著的改进。

最近的相关研究包括“城市交通信号控制的深度学习方法”和“基于强化学习的交通信号控制方法”。