革新城市交通管理：基于6G技术的Aitken多层感知器概率深度循环Q学习与模型预测控制相结合的方法

《Expert Systems with Applications》：Revolutionizing urban traffic management: A 6G-enabled Aitken multi-layer perceptron probabilistic deep recurrent Q learning with model predictive control

智能交通管理框架融合6G通信与深度强化学习实现高精度实时信号优化，Aitken优化器加速收敛并提升稳定性，增益调度控制动态适应非线性交通流变，实验验证预测准确率99.52%，显著降低队列长度和平均旅行时间。

　　

S. Asif | K. Kartheeban

计算机科学与工程系，Koneru Lakshmaiah教育基金会，海得拉巴，特伦甘纳邦500043，印度

摘要

尽管有许多预测模型，城市交通拥堵仍然是一个持续存在的挑战，尤其是在大规模网络中实现实时适应的复杂性方面。传统方法的一个主要限制是它们依赖于线性化模型，这些模型难以捕捉在不同条件下的非线性交通动态。为了解决这个问题，本研究提出了一个先进的框架，该框架将6G通信与深度强化学习相结合，用于智能交通管理。所提出的多层感知器概率深度循环Q学习（M2PDRQL）模型可以预测拥堵模式并自适应地调节交通信号。Aitken优化器（AO）通过减少计算负担和提高稳定性来加速收敛过程。此外，增益调度控制被应用于非线性框架中，以动态调整交通信号响应，确保精确的实时适应性。数值结果表明，与现有方法相比，该模型在预测准确性（99.52%）、减少排队长度、降低平均行驶时间和提高吞吐量（98%）方面取得了显著改进。简而言之，该模型通过将基于速度的模型预测控制（VMPC）的自适应控制器与强化学习相结合，展示了最先进的性能，同时保持了能效和低延迟。

引言

近年来，智能交通系统（ITS）已成为最具颠覆性的技术，通过物联网（IoT）和车联网（IoV）应用，为改变交通格局带来了潜力（Asif & Kartheeban, 2024）。众包的实时数据在优化交通管理和城市移动策略方面发挥了重要作用。在环境监测中，公民报告被用于测量城市状况，并有助于制定更及时的环境和公共卫生政策（Liu et al., 2025）。使用强化学习（RL）方法实现的交通灯控制取得了令人印象深刻的成果，尽管通常忽略了交叉口行人流动的复杂动态，但仍实现了车辆交通流的优化。随着智能交通和城市区域的发展，移动性正在发生变化，以满足社会和经济需求（Poornima et al., 2025）。自动驾驶技术的进步为更安全、更高效、更强大和更可靠的交通系统提供了潜力（Xu et al., 2026）。这一进步还得到了模拟工具（如数字孪生（DT）的支持，这些工具包括交通系统、交通模式和建筑物的虚拟模型（Xue et al., 2025）。传统的交通控制系统利用交通灯的参数来调节绿灯时间长度，但新的车辆管理进展也扩展到了基础设施的改造、增加公交车和地铁运输、通过监控进行交通控制以及智能停车系统（Priya & Francis, 2025）。通信基础设施的快速发展在另一方面改变了信息交换方式，支持了5G、6G和IoT等下一代系统（El-Hajj, 2025）。特别是，6G网络预计将具有超低延迟、大规模连接性和高数据吞吐量，从而促进无障碍的车辆到基础设施（V2I）通信（Shaikh & Mouftah, 2025）。将深度学习（DL）融入ITS在预测和自适应交通控制能力方面取得了巨大进步。借助神经网络处理大数据，DL提供了准确的交通预测、实时事件检测和先进的驾驶辅助系统等（Mahmud et al., 2025）。此外，6G蜂窝网络的架构旨在满足低延迟和高可靠性的严格要求，而不是仅仅优化网络容量和吞吐量，而是侧重于实现尽可能多的无错误传输的实时通信。这些突破共同预示了一个新的ITS时代，使交通系统更加安全、高效和可持续（Iqbal et al., 2025）。ITS虽然发展迅速，但仍存在一些问题。当前的基于RL的交通信号管理模型忽略了行人过街的复杂动态，这些模型主要关注优化车辆流量。此外，许多提出的解决方案依赖于尖端基础设施，这在所有大都市环境中并不总是可行或经济可行的。这些基础设施的例子包括数字孪生、智能停车和密集的传感器网络。此外，噪声、数据不一致性和可能的偏见使得难以信任公民报告和众包数据。尽管5G和6G网络承诺超低延迟和广泛连接，但可扩展性、互操作性和覆盖范围问题仍然困扰着其实际应用。此外，现有的ITS进展往往没有充分考虑到环境可持续性和所有道路用户的平等访问权，即使效率优势被优先考虑。解决这些问题需要不同于依赖5G通信和现有数据分析技术的方法。整合6G技术提供了实时数据共享的潜力，将其与深度强化学习（DRL）结合，可以实现数据驱动的系统交通管理。使用M2PDRQL模型并通过AO进一步训练，可以同时实现更快的训练速度和更快的拥堵预测。系统的时间调整通过VMPC和增益调度控制进行自适应和稳健的调整，从而保证在不同条件下的稳健性能。

文献综述

文献综述

本节讨论了几项先进的6G车辆技术，如人工智能（AI）操作的网络、智能电网和自动驾驶汽车，以及作为未来连接性和通信引擎的优缺点和性能指标。这些技术分为基于DL和基于RL的技术两大类。

•

深度学习

直接决策方案（DDaaS）是由Liu等人（2023年）开发的一种智能交通控制方法，它通过深度学习优化交通灯的切换

提出的方法论

为了解决现有的挑战，本研究提出了一个包含以下顺序阶段的综合框架。图1展示了所提出的方法论。

智能交通管理范式结合了实时数据采集、特征提取和预测控制，使用VMPC进行自适应信号优化以及M2PDRQL。系统中的AO通过迭代评估和反馈提高了性能，从而实现了持续改进

实验分析

通过准确性、延迟和能效等指标，比较分析了M2PDRQL模型与其他技术（如DDaaS和卷积神经网络在网络入侵检测系统（CNN in NIDS）中的表现，以发现性能优势和改进之处。图3展示了使用VMPC的智能交通信号管理过程。

基于VMPC的智能交通信号管理过程。在图3a和3b中，系统获取了实时交通场景，而没有应用边界框

结论

本文提出了一种基于6G M2PDRQL模型的新型通信方法，用于利用DL技术进行智能城市交通管理。该模型在缓解交通拥堵、交通信号相位控制以及提高交通流效率方面具有最先进的性能。M2PDRQL在一系列指标（准确性、延迟、能耗和吞吐量等）上取得了最佳结果。消融研究表明，某些超参数对性能有益

CRediT作者贡献声明

S. Asif：概念化、方法论、验证。 K. Kartheeban：研究调查、监督、项目管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

无。