Publication: Traffic Management Optimization in the Presence of Automated Vehicles
Loading...
Date
2025-01-25
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Tassadit
Abstract
Traffic congestion on freeways is a significant issue today due to the high volume of vehicles. This congestion impacts traffic flow and can lead to severe delays. Effective traffic management methods and solutions are essential to mitigate this problem and enhance safety for all road users. One specific issue in freeway traffic congestion is the problem of ramp metering. This occurs when vehicles merge from an entrance ramp onto the main freeway. Any malfunction or inefficiency in the traffic light system at these ramps can cause significant congestion and even lead to accidents. By implementing a sophisticated decision-making system that follows a realworld network, we can develop better policies to address this issue. This approach can optimize traffic flow, reduce congestion, and improve overall road safety. We proposed a deep q-learning algorithm to address this problem, which guarantees better learning policies and adapt to changing traffic conditions in real-time, learning optimal actions to take at different states of traffic flow in complex environments. Deep Q-Networks(DQNs) can be used across multiple ramps, so this can improve the scalability of the model. So during this study, we will present the performance of this algorithm compared to traditional systems in improving the efficiency of traffic control.
Description
La congestion du trafic sur les autoroutes est un problème important aujourd’hui en raison du volume élevé de véhicules. Cette congestion affecte le flux de la circulation et peut entraîner des retards considérables. Des méthodes et solutions efficaces de gestion du trafic sont essentielles pour atténuer ce problème et améliorer la sécurité pour tous les usagers de la route. Un problème spécifique est celui de la régulation des entrées, qui se produit lorsque les véhicules fusionnent depuis une rampe d’accès vers l’autoroute principale. Toute inefficacité du système de feux à ces rampes peut provoquer une congestion importante et même conduire à des accidents. En mettant en œuvre un système de prise de décision sophistiqué qui suit un réseau réel, nous pouvons développer de meilleures politiques pour résoudre ce problème. Cette approche peut optimiser le flux de la circulation, réduire la congestion et améliorer la sécurité routière. Nous avons proposé un algorithme de deep Q-learning, qui s’adapte aux conditions de circulation changeantes en temps réel, apprenant les actions optimales à prendre dans différents états de flux de trafic dans des environnements complexes. Les DQNs, utilisés sur plusieurs rampes, améliorent la scalabilité du modèle. Nous présenterons les performances de cet algorithme par rapport aux systèmes traditionnels dans l’amélioration de l’efficacité du contrôle du trafic.
Keywords
Traffic congestion, Freeways, Traffic flow, Ramp metering, Traffic management, Deep Q-learning, Decision-making system, Real-world network, Traffic control, Optimization, Scalability, Road safety, Adaptive policies, Traffic conditions, Congestion du trafic, Autoroutes, Flux de trafic, Régulation des accès, Gestion du trafic, Réseau de neurones profond, Système de prise de décision, Réseau réel, Optimisation, Scalabilité, Sécurité routière, Politiques adaptatives, Conditions de trafic.