ترجمه فارسی مقاله بهبود تطبیقی ​​ایمنی و کارایی چراغ راهنمایی با استفاده از رویکرد یادگیری تقویتی عمیق چندهدفه

چکیده

This research introduces an innovative method for adaptive traffic signal control (ATSC) through the utilization of multi-objective deep reinforcement learning (DRL) techniques. The proposed approach aims to enhance control strategies at intersections while simultaneously addressing safety, efficiency, and decarbonization objectives. Traditional ATSC methods typically prioritize traffic efficiency and often struggle to adapt to real-time dynamic traffic conditions. To address these challenges, the study suggests a DRL-based ATSC algorithm that incorporates the Dueling Double Deep Q Network (D3QN) framework. The performance of this algorithm is assessed using a simulated intersection in Changsha, China. Notably, the proposed ATSC algorithm surpasses both traditional ATSC and ATSC algorithms focused solely on efficiency optimization by achieving over a 16% reduction in traffic conflicts and a 4% decrease in carbon emissions. Regarding traffic efficiency, waiting time is reduced by 18% compared to traditional ATSC, albeit showing a slight increase (0.64%) compared to the DRL-based ATSC algorithm integrating the D3QN framework. This marginal increase suggests a trade-off between efficiency and other objectives like safety and decarbonization. Additionally, the proposed approach demonstrates superior performance, particularly in scenarios with high traffic demand, across all three objectives. These findings contribute to advancing traffic control systems by offering a practical and effective solution for optimizing signal control strategies in real-world traffic situations.

چکیده به فارسی (ترجمه ماشینی)

این تحقیق یک روش نوآورانه برای کنترل تطبیقی ​​سیگنال ترافیک (ATSC) از طریق استفاده از تکنیک های یادگیری تقویت عمیق چند منظوره (DRL) ارائه می دهد.رویکرد پیشنهادی با هدف تقویت استراتژی های کنترل در تقاطع ها و در عین حال به اهداف ایمنی ، کارآیی و دفع کربن سازی انجام می شود.روشهای سنتی ATSC به طور معمول بازده ترافیک را در اولویت قرار می دهد و اغلب برای سازگاری با شرایط ترافیک پویا در زمان واقعی تلاش می کند.برای پرداختن به این چالش ها ، این مطالعه یک الگوریتم ATSC مبتنی بر DRL را نشان می دهد که چارچوب دوئل Double Deep Q (D3QN) را شامل می شود.عملکرد این الگوریتم با استفاده از یک تقاطع شبیه سازی شده در چانگشا ، چین ارزیابی می شود.نکته قابل توجه ، الگوریتم ATSC پیشنهادی از هر دو الگوریتم ATSC و ATSC سنتی که صرفاً با دستیابی به بیش از 16 ٪ کاهش درگیری های ترافیکی و کاهش 4 ٪ در انتشار کربن متمرکز شده است.با توجه به راندمان ترافیک ، زمان انتظار در مقایسه با ATSC سنتی 18 ٪ کاهش می یابد ، البته افزایش جزئی (0.64 ٪) در مقایسه با الگوریتم ATSC مبتنی بر DRL که ادغام چارچوب D3QN است.این افزایش حاشیه ای حاکی از تجارت بین کارآیی و سایر اهداف مانند ایمنی و دکربن سازی است.علاوه بر این ، رویکرد پیشنهادی عملکرد برتر ، به ویژه در سناریوهایی را که تقاضای ترافیک زیاد دارند ، در هر سه هدف نشان می دهد.این یافته ها با ارائه یک راه حل عملی و مؤثر برای بهینه سازی استراتژی های کنترل سیگنال در موقعیت های ترافیک در دنیای واقعی ، به پیشبرد سیستم های کنترل ترافیک کمک می کند.