本技术涉及一种基于深度强化学习与拥堵规避的交通流量智能化均衡系统及方法,属于智能交通系统控制领域。系统通过云端和雾端(路边单元)智能体协同优化,全局智能体利用历史数据进行交通流量的全局优化,而雾端路边单元智能体则基于实时反馈快速响应局部交通状况,实现了全局与局部的协同优化,有效提升交通管理效率。本发明将传统逐车路径调整方法转变为基于车辆流的处理方式,将重路由比例作为路边单元智能体的决策变量,大幅提高计算效率,降低系统通信开销与延迟。通过主动识别潜在拥堵区域并提前执行改道操作,系统显著降低了拥堵发生的可能性,减少了能耗与污染排放,实现了更加智能化和可持续的交通管理。
背景技术
在城市化进程不断加快的背景下,城市人口急剧增长,随之而来的是交通需求的显著增加和交通拥堵的日益严重。这种拥堵不仅影响市民的出行体验,增加通勤时间,还带来了高能耗和环境污染等问题。交通运输作为主要的能源消耗和温室气体排放来源,占全球二氧化碳排放的33%。因此,提升交通系统的能源利用效率、减少排放、降低交通系统对环境的负面影响已成为各大城市实现可持续发展的迫切需求。
现有的路线引导系统(RGS)在智能交通系统(ITS)中虽然有所应用,但大多局限于单车路径优化,无法充分考虑整体路网的动态变化和多车辆行为的协同。这种方式常导致多个车辆选择相同路径,反而形成新的拥堵点,并在优化单一目标(如最短路径)时,忽略了燃油消耗、排放控制多重因素的平衡。
同时,现有路径引导系统(RGS)在复杂城市路网中应对多车辆并发路径需求时的局限性。传统系统主要优化单一车辆路径,缺乏全局视角,容易导致多车集中选择相同路径,形成新的拥堵。此外,RGS系统通常只关注出行时间,忽略了多目标优化需求。现有RGS还缺乏准确的拥堵预测能力,通常依赖实时数据做被动响应,难以及时预判潜在拥堵区域和动态交通需求。路径分配过程中,如何在多车路径竞争与动态交通变化中实现高效的多目标优化,成为RGS在城市路网中面临的关键技术挑战。
实现思路