融合注意力机制LSTM网络的城市交叉口信号控制

摘要

随着国内机动车保有量的快速提升，城市道路交叉口场景在高密度车流情况下易导致长距离拥堵。为降低交叉口车流拥堵长度，深度强化学习逐渐应用于交叉口信号的控制。而现有交叉口信号控制策略存在对车流状态信息的权重特征欠考虑及时序特征难提取的问题，因此基于深度Q学习(deep Q-learning, DQL)算法提出了一种改进DQL算法，利用注意力机制增强长距离拥堵状态信息的权值，进一步采用长短期记忆网络(long short-term memory, LSTM)学习车流的历史数据，改进了DQL算法对数据不同部分重要性考虑不足及历史数据信息提取欠佳的问题。实验结果表明，所提改进DQL算法与原算法相比，能够降低20%的车辆累计等待时间并且减少21.2%的车辆平均排队数目，提高了交叉口的车辆通行效率。

关键词

交叉口信号控制 / 深度强化学习 / 注意力机制 / LSTM / 通行效率

基金资助

贵州省基础研究计划项目(黔科合基础-ZK[2023]一般056);; 贵州大学引进人才科研项目(贵大人基合字[2021]56号);贵州大学现代制造技术教育部重点实验室开放基金项目(GZUAMT2021KF(13)号);; 贵州省创新人才团队项目(CXTD2022-009)