Deep reinforcement learning for the optimization of traffic light control with real-time data

Mostra el registre complet Registre parcial de l'ítem

• dc.contributor.author Matyja, Monika
• dc.contributor.author Morera, Jordi
• dc.contributor.author Wolf, Sebastian
• dc.date.accessioned 2020-01-21T15:03:54Z
• dc.date.available 2020-01-21T15:03:54Z
• dc.date.issued 2019
• dc.description Treball fi de màster de: Master's Degree in Data Science. Curs 2018-2019ca
• dc.description Directors: Hrvoje Stojic, Anestis Papanikolaouca
• dc.description.abstract In this thesis we develop a traffic light control agent that can manage traffic lights with the objective to reduce traffic jams, trip time and other traffic metrics in a given network using reinforcement learning. To this end, we implement a Double Deep Q-Network algorithm and test its performance in controlling traffic lights on a ’small’ and a ’large’ traffic junction. We find that this algorithm beats a fixed traffic light phase program when traffic demand fluctuates, as it is capable of reacting to real-time traffic situations. The algorithm can be scaled up and holds promise to also perform well in controlling larger transport networks.ca
• dc.description.abstract En aquest treball de final de màster es desenvolupa un algorisme d'aprenentatge reforçat pel control de semàfors amb l'objectiu de reduir temps de trajecte i retencions. Específicament, s'ha implementat l'algorisme Double Deep Q-Network i s'ha comprovat la seva eficàcia comparant-lo amb escenaris realistes de control d'una intersecció simple i d'una complexa. S'ha demostrat que aquest algorisme es comporta millor que l'escenari real en el qual el canvi de fase es duu a terme amb intervals de temps fixes. Els resultats indiquen que aquesta tècnica és capaç d'adaptar-se a les situacions de trànsit canviants i per tant obtenir millor resultats que l'escenari real. L'algorisme pot ser adaptat per controlar xarxes de trànsit més grans.ca
• dc.format.mimetype application/pdf*
• dc.identifier.uri http://hdl.handle.net/10230/43323
• dc.language.iso engca
• dc.rights Atribución-NoComercial-SinDerivadas 3.0 España*
• dc.rights.accessRights info:eu-repo/semantics/openAccessca
• dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/es/*
• dc.subject.other Treball de fi de màster – Curs 2018-2019ca
• dc.subject.other Aprenentatge per reforçca
• dc.subject.other Reinforcement learningen
• dc.subject.other Circulacióca
• dc.subject.other Traffic flowen
• dc.subject.other Enginyeria del trànsitca
• dc.subject.other Traffic engineeringen
• dc.title Deep reinforcement learning for the optimization of traffic light control with real-time dataca
• dc.type info:eu-repo/semantics/masterThesisca