[发明专利]一种基于深度强化学习的多交叉口信号灯协同控制方法有效
| 申请号： | 201910307621.7 | 申请日： | 2019-04-17 |
| 公开（公告）号： | CN110060475B | 公开（公告）日： | 2021-01-05 |
| 发明（设计）人： | 胡坚明;霍雨森;裴欣;张佐;姚丹亚 | 申请（专利权）人： | 清华大学 |
| 主分类号： | G08G1/01 | 分类号： | G08G1/01;G08G1/081;G08G1/095;G08G1/096;G06N3/04 |
| 代理公司： | 北京纪凯知识产权代理有限公司 11245 | 代理人： | 孙楠 |
| 地址： | 100084 北京市海淀区1*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于深度强化学习的多交叉口信号灯协同控制方法，其包括以下步骤：1)根据多交叉口交通网络的实际情况，建立能够反映该交通网络原始交通状态的多通道张量；2)根据得到的多交叉口交通网络的多通道张量，建立多交叉口协同控制神经网络模型；3)采用模仿学习和强化学习相结合的方法，对建立的多交叉口协同控制神经网络模型进行训练，得到训练好的多交叉口协同控制神经网络模型；4)将当前多交叉口的相位信息输入训练好的多交叉口协同控制神经网络模型，得到当前多交叉口信号灯的协同控制输出结果。本发明可以广泛应用于多交叉口信号灯协同控制领域。 | ||
| 搜索关键词： | 一种 基于 深度 强化 学习 交叉口 信号灯 协同 控制 方法 | ||
【主权项】：
1.一种基于深度强化学习的多交叉口信号灯协同控制方法，其特征在于包括以下步骤：1)根据待协同控制的多交叉口交通网络的实际情况，建立能够反映该交通网络原始交通状态的多通道张量；2)根据得到的多交叉口交通网络的多通道张量，建立多交叉口协同控制神经网络模型，该模型以多交叉口交通网络中每个交叉口信号灯的相位信息作为输入，以一组多维动作作为输出；3)采用模仿学习和强化学习相结合的方法，对建立的多交叉口协同控制神经网络模型进行训练，得到最优多交叉口协同控制神经网络模型；4)将当前多交叉口的相位信息输入最优多交叉口协同控制神经网络模型，得到当前多交叉口信号灯的协同控制输出结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于清华大学，未经清华大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910307621.7/，转载请声明来源钻瓜专利网。
