यातायात संकेत नियंत्रण में असतत राज्य-आधारित संवर्धन शिक्षण मॉडल का मज़बूती विश्लेषण

यातायात ठहराव की समस्या के बढ़ने के साथ, यातायात संकेत नियंत्रण (TSC) में गहरे संवर्धन शिक्षण (DRL) विधियों का प्रयोग बढ़ता जा रहा है। लेकिन शोध दिखाते हैं कि DRL असामान्य डेटा के साथ बहुत संवेदनशील है। इस पेपर में, विशेष यातायात राज्य असामान्य डेटा (TSAD) का अनुकरण किया गया है, जिसके आधार पर DRL की मज़बूती का विश्लेषण किया गया है और इसे यातायात संकेत नियंत्रण के लिए सुधारा गया है। सबसे पहले, विकृति शोर असतत कार्लिन&वैग्नर हमले के आधार पर उत्पन्न किया जाता है, जिसे सामान्य डेटा में जोड़ा जाता है ताकि TSAD का अनुकरण किया जा सके। दूसरे, विभिन्न प्रकार के TSAD के तहत, यातायात संकेत नियंत्रण के लिए DRL मॉडलों की मज़बूती का पता लगाया जाता है, जो दिखाते हैं कि इनमें कुछ कमजोरी है, खासकर उच्च यातायात प्रवाह के साथ। आखिरकार, इनाम पहचान (IMR) के आधार पर प्रेरणा मॉडल और निर्णय न्यूरॉनों के सक्रियण मूल्यों को मास्क करना (MVN) प्रस्तावित किया गया है ताकि यातायात संकेत नियंत्रण के लिए DRL मॉडलों की मज़बूती को प्रभावी ढंग से सुधारा जा सके।