【标题】A Deep Reinforcement Learning Approach for Fair Traffic Signal Control

【作者团队】Majid Raeis, Alberto Leon-Garcia

【论文链接】https://arxiv.org/abs/2107.10146

【发表日期】2021.7.21

【推荐理由】交通信号控制是城市交通管理中最有效的方法之一。近年来，基于深度强化学习（DRL）的交通控制方法因其对实时交通数据的挖掘能力而受到广泛关注，而传统的手工方法往往使用较少。最近的基于DRL的方法主要集中在最大化车辆的吞吐量或最小化车辆的平均行驶时间，而交通信号控制器的公平性常常被忽略。这一点尤其重要，因为忽略公平性可能导致某些车辆经历极端等待时间，或者特定交通流的吞吐量受到交叉口另一冲突流量波动的高度影响。为了解决这些问题，本文引入了两个公平性的概念：基于延迟的公平性和基于吞吐量的公平性。此外，本文还提出了两种基于DRL的交通信号控制方法来实现这些公平性概念，这两种方法都可以获得较高的吞吐量。最后通过使用三种流量到达分布来评估其提出方法的性能，研究结果表明该方法在测试场景中的性能优于基准。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除