Głębokie uczenie ze wzmocnieniem uwzględniające topografię i kontekstowe projektowanie nagrody dla zrównoważonego i wydajnego sterowania ruchem miejskim
Future Transportation, t. 6, nr 2, art. 82
Streszczenie redakcyjne
Model sterowania sygnalizacją uwzględnia nachylenie drogi i skład ruchu. Symulacja skalibrowana na podstawie nagrań ruchu porównuje emisje, czas przejazdu i kolejki na dojeździe pod górę. W tych warunkach wyspecjalizowany sterownik przewyższa sterowanie oparte na presji ruchu oraz standardowe sterowanie metodą głębokiego Q-learningu.
Opis bibliograficzny
Format cytowania wymagany przez czasopismo lub organizację sprawdź w rekordzie wydawcy.
Oleksander Ryzhanskyi, Oleksander Barmak, Eduard Manziuk, Pavlo Radiuk, Iurii Krak. "Topography-Aware Deep Reinforcement Learning with Contextual Reward Engineering for Sustainable and Efficient Urban Traffic Control". Future Transportation, Vol. 6, No. 2, Article 82, 2026. https://doi.org/10.3390/futuretransp6020082
Sprawdź metodę w swoim zastosowaniu.
Opisz decyzję, którą ma wspierać Twój system, oraz dostępne dane. Ocenimy przydatność metody, określimy zakres prototypu i uzgodnimy sposób pomiaru jakości, czasu odpowiedzi oraz kosztu działania.