Contrôle centralisé des feux de circulation pour un réseau de trafic hétérogène à grande échelle via l'apprentissage par renforcement profond

Résumé Afin d'atténuer les problèmes de congestion routière causés par l'urbanisation et l'augmentation des véhicules, les chercheurs ont proposé diverses méthodes d'optimisation des feux de circulation basées sur l'apprentissage par renforcement. Cependant, la plupart de ces méthodes se concentrent sur des réseaux routiers de petite taille et homogènes. Pour traiter les problèmes complexes des réseaux routiers, nous introduisons une nouvelle méthode appelée Gen-CenLight, qui utilise une approche de contrôle centralisé basée sur l'architecture Actor-Critic. Pour atteindre l'évolutivité et la coordination dans des réseaux à grande échelle, nous avons conçu une extraction de représentation spatiale qui peut apprendre la représentation du réseau à partir d'un espace de haute dimension. De plus, pour gérer l'hétérogénéité dans le réseau, nous avons proposé un module innovant de sélection d'action qui sélectionne les phases de feux de circulation appropriées en fonction de la structure spécifique de chaque intersection. À notre connaissance, notre modèle est le premier modèle de contrôle centralisé mis en œuvre dans un réseau routier comprenant des milliers d'intersections. Les résultats expérimentaux démontrent l'efficacité de notre approche dans la gestion efficace de réseaux routiers à grande échelle et hétérogènes.