基于强化学习与自注意力机制的自适应交通信号控制方法

本发明涉及交通信号控制技术领域，具体公开了基于强化学习与自注意力机制的自适应交通信号控制方法，所述方法包括基于深度强化学习算法建立马尔科夫决策过程模型以及策略神经网络，基于马尔科夫决策过程模型搭建深度Q网络以及自注意力机制，对策略进行评估并对策略神经网络、编码器和解码器的神经网络进行更新，对神经网络进行多次迭代训练，得到训练后的神经网络模型，根据训练后的神经网络模型，生成实时交通信号控制信号，能够在复杂的交通流中逐步学习最优策略，此外，这种算法采用编码器‑解码器结构，将历史轨迹存储在重放缓冲区中，并使用近端策略优化来更新参数。解决了现有自适应交通信号控制方法由于训练需要大量数据并且需要大量计算资源的难题。