摘要
协调式匝道信号控制（CRM）是缓解城市快速路拥堵的有效策略。它利用快速路网络中的交通流量测量数据来调节多匝道信号灯，以实现系统的最佳运行性能。许多CRM方法采用反应式控制框架，即仅在检测到拥堵后才启动控制措施。这种反应式机制可能导致控制响应延迟，从而在交通状况快速变化时降低干预的有效性。为解决这一问题，本文提出了一种融合动态时空图卷积预测模型的预测式CRM方法（CRM-DSTGC）。利用从自动车辆识别（AVI）数据中提取的个体轨迹信息，我们首先定义了路段单元、路段组和瓶颈。然后，基于图卷积开发了深度学习预测模型，以捕捉路段之间的动态时空依赖关系以及相关交通变量之间的交互作用。基于观测和预测的交通状态，匝道控制器使用多智能体深度强化学习算法MADDPG确定各上匝道的绿灯时长。最后，在基于SUMO的真实城市快速路仿真中对所提方法进行了评估。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）、8.726%（6步）和9.871%（12步），优于基线方法。这使得短期交通状态预测成为可能，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%。所提方法为改善城市快速路网络的CRM提供了一种潜在的途径。
