《表2 反馈式与基于深度Q学习的匝道控制策略比较》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《基于图像卷积神经网络的匝道控制深度强化学习算法研究》
比较了反馈式匝道控制策略与深度Q学习匝道控制策略的效果.根据瓶颈区交通流特征,采用ALINEA反馈匝道控制策略.ALINEA旨在将瓶颈下游占有率调整到预期值,以保持最大流量并防止通行能力下降.期望占有率设定为15%和17%,控制周期设定为60 s,调节率设定为70辆/h.表2比较了2种情景下的系统总旅行时间、速度、占有率和瓶颈消散流率.结果表明,反馈控制策略比定时控制策略效果更好,系统总旅行时间减少了10.54%和10.41%,瓶颈消消散流率增加11.93%和11.78%.但控制效果仍然不如本研究提出的基于深度Q学习的匝道控制策略.
图表编号 | XD0056047200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 戴昇宏、李志斌 |
绘制单位 | 东南大学交通学院、东南大学交通学院 |
更多格式 | 高清、无水印(增值服务) |