摘要
协调匝道流量控制（CRM）是一种有效的策略，可用于缓解城市高速公路的拥堵问题。该策略利用高速公路网络的交通流量数据来调节多个匝道的信号灯，以实现系统的最佳性能。许多CRM方法采用反应性控制框架，即只有在检测到拥堵时才启动控制措施。这种反应性机制可能会延迟控制响应，从而降低在交通状况快速变化时的干预效果。为了解决这一问题，本文提出了一种结合动态时空图卷积预测模型（CRM-DSTGC）的预测性CRM方法。通过利用从自动车辆识别（AVI）数据中提取的个体车辆轨迹信息，我们首先定义了道路段单元、道路段组和交通瓶颈。随后，基于图卷积技术开发了一个深度学习预测模型，以捕捉道路段之间的动态时空关系以及相关交通变量之间的相互作用。根据观测到的和预测到的交通状态，匝道控制器利用多智能体深度强化学习算法（MADDPG）来确定上车道的绿灯时长。最后，该方法在基于SUMO模型的真实城市高速公路仿真中进行了评估。在交通状态预测实验中，所提出的DSTGC模型的平均绝对百分比误差（MAPE）分别为6.966%（3步预测）、8.726%（6步预测）和9.871%（12步预测），优于基线方法。这实现了短期交通状态预测，并为CRM提供了预测性交通信息。在CRM仿真中，与无预测的CRM策略相比，CRM-DSTGC方法将主线拥堵时长减少了58.33%。所提出的方法为改进城市高速公路网络的CRM提供了一种潜在途径。
