基于双层参数化深度强化学习的混合交通流协同控制方法

为了解决现有技术的不足，本发明公开了一种基于双层参数化深度强化学习的混合交通流协同控制方法。该方法通过卷积神经网络从交叉口环境中提取交通高维空间特征，并结合多通道参数化深度Q网络算法构建第一层模型CNN‑MPDQN，其主要任务是选择一条通行优先车道并确定通行持续时间。接着，在第一层算法的基础上，采用第二层DQN算法优化协调车道上车辆的通行顺序，解决车辆轨迹冲突问题。通过两层深度强化学习算法模型的不断循环训练与迭代，逐步优化模型参数，最终获得最优收敛模型；该模型能够有效应对各种交通状况和车辆行为，提升交叉口的通行效率和安全性，特别适用于无信号控制的混合流交叉口。