为探讨智能网联车混入人工驾驶车交通流后对信号控制的影响,提高交叉口车辆通过效率,对智能网联异质交通流在交叉口中的运动状态进行刻画,确定不同场景下的跟驰模型,基于D3QN(Dueling Double Deep Q Network)算法,结合LSTM(Long Short-T...为探讨智能网联车混入人工驾驶车交通流后对信号控制的影响,提高交叉口车辆通过效率,对智能网联异质交通流在交叉口中的运动状态进行刻画,确定不同场景下的跟驰模型,基于D3QN(Dueling Double Deep Q Network)算法,结合LSTM(Long Short-Term Memory)进行交通流预测,构建单点信号控制模型,通过SUMO(Simulation of Urban Mobility)软件的Traci(Traffic Control Interface)接口开展仿真实验。结果表明,智能网联车渗透率越高,交叉口平均排队长度越短,平均车速越快;当智能网联车渗透率达到0.6时,平均排队长度的降幅和平均车速的增幅较为显著,渗透率为1时,幅度最大;对比其他算法,研究提出的结合LSTM进行交通流预测的D3QN算法平均排队长度最短,平均车速最快,信号控制效果更佳,收敛速度更快。展开更多
文摘为探讨智能网联车混入人工驾驶车交通流后对信号控制的影响,提高交叉口车辆通过效率,对智能网联异质交通流在交叉口中的运动状态进行刻画,确定不同场景下的跟驰模型,基于D3QN(Dueling Double Deep Q Network)算法,结合LSTM(Long Short-Term Memory)进行交通流预测,构建单点信号控制模型,通过SUMO(Simulation of Urban Mobility)软件的Traci(Traffic Control Interface)接口开展仿真实验。结果表明,智能网联车渗透率越高,交叉口平均排队长度越短,平均车速越快;当智能网联车渗透率达到0.6时,平均排队长度的降幅和平均车速的增幅较为显著,渗透率为1时,幅度最大;对比其他算法,研究提出的结合LSTM进行交通流预测的D3QN算法平均排队长度最短,平均车速最快,信号控制效果更佳,收敛速度更快。
