wjt_0167的博客

本文调查了交通信号控制问题下，强化学习方向的最近进展（截止2021年）；根据RL技术对已知方法进行分类，回顾了现有模型，分析了它们的优缺点；概述了评估现有模型的模拟环境和实验设置；探讨了该问题下强化学习方向的未来展望

使用深度强化学习技术来进行交通灯控制是一个新兴的趋势，其最近的研究也展现出一些具有前景的结果。然而，现有的研究还没有在现实世界的交通数据上测试其方法，他们只专注于研究奖励而没有解释政策。在本文中，我们提出了一个更有效的深度强化学习模型的交通灯控制。我们在基于监控摄像头获取的一个大规模的真实的交通数据集上测试了我们的方法。我们还展示了一些有趣的从真实数据中学习到的案例研究策略。

本文将当前交通灯控制分为两类：是否利用当前交通状态知识（接近十字路口的车辆位置和速度），针对这一点进行了详细实验比较；利用当前交通状态知识的整体系统在交通信号控制问题下，大幅提高了平均车速和流量，同时在多个指标取得优势

Case-Based Reasoning是一种依据过去解决类似问题所积累的案例来求解新问题的推理模式，用“类比推理”的方法进行机器学习解决问题的过程。本文使用这种方法来识别常见的交通违规行为——超速，识别和预测司机的危险行为来避免交通事故。构建了一个案例库、检索和利用三个模块构成的基于案例的系统，使用四类属性来描述案例，分为非人为因素：道路信息、环境因素、车辆信息，和人为因素：人口统计信息，来高效检索案例，通过风险寻求和风险规避两种算法综合多种因素做出预测。