深度强化学习解决交通模拟校准问题

研究人员开发了一个新颖的框架，使用无模型深度强化学习（DRL）来解决微观交通模拟中的动态起讫点矩阵估计（DODE）问题。该方法将DODE重构为马尔可夫决策过程，允许智能体通过与模拟环境的交互来学习生成OD矩阵的最优策略。该方法有效地解决了信用分配挑战，该挑战源于复杂的时态动态和个体车辆的不确定性，这些因素模糊了特定OD对对观测到的交通流量的贡献。在玩具网络和真实世界高速公路子网络上的评估表明，校准性能得到了显著提高，与传统基线相比，均方误差（MSE）降低了高达88.3%。 AI

影响 提高了交通模拟的准确性，可能改善城市规划和交通管理。

排序理由 学术论文，详细介绍了深度强化学习在交通模拟特定问题中的新颖应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Credit assignment in multiple goal embodied visuomotor behavior.
• deep reinforcement learning
• Donggyu Min
• Dynamic origin-destination matrix estimation on motorway networks
• Markov decision process
• Microscopic traffic simulations of road networks using high-performance computers
• Nguyen-Dupuis network
• San Jose
• Santa Clara

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →