Link-Sharing Backpressure Routing In Wireless Multi-Hop Networks
Rice University（莱斯大学）；US Army DEVCOM Army Research Laboratory（美国陆军DEVCOM陆军研究实验室）
本文提出MaxU链路共享方法，改进无线多跳网络中SP-BP路由的性能，缓解最后数据包问题并提升网络容量。
2025-12-10 cs.DC cs.NI cs.SY
Distributive Perimetral Queue Balancing Mechanisms: Towards Equitable Urban Traffic Gating and Fair Perimeter Control
ETH Zürich（苏黎世联邦理工学院）；Jagiellonian University（雅盖隆大学）
本文提出基于队列平衡机制的外围控制设计，通过微观案例研究展示其在提升公平性方面的作用，尤其在异质需求场景中改善延迟分布。
2026-04-09 cs.SY eess.SY
A Link-Based Flow Model with Turn-Level Queue Transmission and Time-Varying Free-Flow Speed for Urban Road Networks
针对现有模型无法捕捉转向级排队和时变自由流速度的问题，提出一种引入排队流入量并依赖自由流速度的基于路段的流量模型及节点模型，有效提升了交叉口交通预测能力并保持计算易处理性。
2024-11-13 cs.SY eess.SY
Generalizing Biased Backpressure Routing and Scheduling to Wireless Multi-hop Networks with Advanced Air-interfaces
针对无线多跳网络中BP路由在MIMO收发器下的数据包重复调度及最后数据包问题，提出基于Lyapunov漂移理论的Max-Utility链路共享与基于归因容量超图的MaxWeight调度方法，有效缓解了轻流量下的最后数据包问题并扩展了网络容量区域。
2025-04-30 cs.NI cs.SY eess.SP
A Mean-Field Approach for Safe Routing of Multi-Destination Urban Air Mobility Networks
University of California, Irvine（加州大学尔湾分校）；Iowa State University（爱荷华州立大学）
本文提出一种基于均值场近似的控制框架，将多目的地UAM网络路由建模为CTMC并证明无排队状态的正不变性，从而将无限维最优控制问题转化为有限维代数优化，实现安全无拥塞运行。
2026-09-21 cs.SY eess.SY
Robotic Message Ferrying for Wireless Networks using Coarse-Grained Backpressure Control
Dept. of Electrical Engineering, University of Southern California, Los Angeles, CA（电气工程系，南加州大学，洛杉矶，CA）
本文研究了机器人在无线网络中中继信息的容量区域，提出粗粒度背压中继算法，通过优化匹配实现稳定传输，证明在可控移动下可实现常数容量并保证有限延迟。
2013-08-13 cs.NI cs.RO cs.SY
To Observe or Not to Observe: Queuing Game Framework for Urban Parking
University of Washington（华盛顿大学）；University of California, Berkeley（加州大学伯克利分校）
本文通过排队博弈框架分析城市停车问题，比较纳什均衡与社会最优均衡，探讨在无需完全信息的情况下如何提升社会福利。
2016-03-29 cs.GT cs.SY eess.SY
Enlarging Stability Region of Urban Networks with Imminent Supply Prediction
针对城市交通网络中实时绿灯服务率I-SFR难以精确获知的问题，本文证明更准确的I-SFR预测可扩大稳定区域上边界，并使结合预测I-SFR的BP策略在该区域内稳定网络、缓解拥堵。
2024-04-08 cs.SY eess.SY
SelectLight: Learning to Select Signal Plans Generated by Distributed Model Predictive Control for Urban Traffic Networks
Tongji University（同济大学）；Technische Universität Dresden（德累斯顿工业大学）；Roma Tre University（罗马三大学）
SelectLight通过MARL策略选择DMPC生成的交通信号方案，在SUMO网络实验中延迟性能最优，需求加倍时排队延迟降低5.57%，求解时间远低于控制间隔。
2026-08-13 cs.SY eess.SY
Efficient MILP-based Urban Network Traffic Control in Mixed Autonomy with Dynamic Saturation Rates
Aalto University（阿尔托大学）；KU Leuven（鲁汶大学）
本文提出一种基于扩展多商品存储转发模型的交通控制策略，通过动态饱和率和信号 timings 优化混合自主环境下的交通流量，提升实时交通调控效率。
2026-08-28 cs.SY eess.SY
Estimation of urban traffic state with probe vehicles
COSYS-GRETTIA, Univ Gustave Eiffel, IFSTTAR（COSYS-GRETTIA，巴黎-沙隆大学，法国交通、道路和城市发展研究院）
本文提出了一种利用通信车辆估计城市交通状态的方法，通过分析交通灯处的排队情况，估计探测车辆的比例、链接上的车辆到达率以及每个交叉口的转弯比例，并进一步提出对双车道链接上排队长度的估计方法，以及基于此的交通信号灯优化控制和车辆分配策略。
2020-02-27 cs.SY eess.SY math.OC
Reinforcement Learning based Traffic Signal Control for Queue Minimization: From Lane-based to Laneless Traffic
Department of Civil Engineering, IIT Madras（印度理工学院马德拉斯分校土木工程系）；Wadhwani School of Data Science & AI, IIT Madras（印度理工学院马德拉斯分校瓦达威数据科学与人工智能学校）；School of Electrical Engineering & Robotics, QUT, Brisbane, Australia（昆士兰大学电气工程与机器人学院）；Robert Bosch Centre for Data Science & AI, IIT Madras（印度理工学院马德拉斯分校罗伯特·博世数据科学与人工智能中心）
本研究提出一种基于PPO强化学习的自适应交通信号控制框架，通过多种状态表示最小化总排队长度，在SUMO模拟中相比Webster方法平均队列长度减少约29%。
2026-11-04 cs.LG cs.SY eess.SY
V2I Connectivity-Based Dynamic Queue-Jump Lane for Emergency Vehicles: A Deep Reinforcement Learning Approach
New York University Tandon School of Engineering（纽约大学坦登工程学院）；C2SMART University Transportation Center（C2SMART大学交通中心）
应急车辆（EMV）服务是城市的一项重要功能，由于城市交通拥堵，因此极具挑战性。EMV服务延迟背后的一个主要原因是阻塞EMV的车辆之间缺乏沟通和合作。本文研究了V2 I连接下EMV业务的改进。我们认为，建立动态队列跳转车道（DQJLs）的基础上实时协调连接的车辆。我们开发了一种新的马尔可夫决策过程制定的DQJL问题，明确占接近EMV的司机的反应的不确定性。我们提出了一种基于深度神经网络的强化学习算法，可以有效地计算最优协调指令。我们还验证了我们的方法在微观仿真试验台上使用模拟城市交通（SUMO）。验证结果表明，与我们提出的方法，集中控制系统节省了约15%的EMV通过时间比基准系统。
2021-05-29 cs.AI cs.LG cs.SY
Urban Traffic Network Control in Smart Cities; a Distributed Model-based Control Approach
Virginia Commonwealth University（弗吉尼亚联邦大学）
本文提出了一种用于城市交通网络系统的分布式模型预测控制方法，旨在减少交通拥堵和各路段的总出行时间，通过考虑交通需求和扰动预测，相比集中式方法在计算时间、总出行时间和队列长度上分别减少了60%、14.3%和15.1%。
2019-05-23 cs.SY eess.SY
Dynamic Queue-Jump Lane for Emergency Vehicles under Partially Connected Settings: A Multi-Agent Deep Reinforcement Learning Approach
New York University（纽约大学）
应急车辆（EMV）服务是城市的一项重要功能，由于城市交通拥堵，因此极具挑战性。EMV服务延迟的主要原因是阻塞EMV的车辆之间缺乏沟通和合作。本文研究了V2X连接下EMV服务的改进。我们考虑在存在非互联人类驾驶车辆的情况下，基于互联车辆的实时协调来建立动态队列跳转车道（DQJL）。我们开发了一种新的马尔可夫决策过程制定的DQJL协调策略，明确占的不确定性的驱动程序的屈服模式接近EMV。基于代表代理车辆的演员和评论家的神经网络对，我们开发了一种多代理演员-评论家深度强化学习算法，该算法可以处理交通中不同数量的车辆和随机比例的连接车辆。通过间接和直接的强化学习接近最佳协调策略，我们提出了两个方案来解决多智能体强化学习在这个连接的车辆应用。这两种方法都得到了验证，在微观仿真测试平台SUMO，建立一个DQJL快速，安全。验证结果表明，与DQJL协调策略，它节省了高达30%的时间EMV通过链路级智能城市道路比基线方案。
2021-01-15 cs.AI cs.SY eess.SY
Assessment of Reward Functions in Reinforcement Learning for Multi-Modal Urban Traffic Control under Real-World limitations
University of Warwick（华威大学）；Vivacity Labs（维瓦西蒂实验室）
事实证明，强化学习是一种成功的工具，它可以管理城市交叉路口，而管理传统交通控制器所需的工作量很小。然而，文献介绍和控制行人到这样的交叉口是稀缺的。此外，目前还不清楚什么交通状态变量应该被用来作为奖励，以获得最佳的代理性能。本文稳健地评估了30种不同的强化学习奖励函数，用于控制为行人和车辆服务的交叉路口，这些交叉路口覆盖了现代视觉传感器提供的主要交通状态变量。一些奖励在以前的文献中提出的车辆交通扩展到行人，而新的介绍。我们使用校准模型的需求，传感器，绿色时间和其他业务限制的一个真正的十字路口在大曼彻斯特，英国。评估的奖励可以分为5组，这取决于所使用的幅度：排队，等待时间，延迟，平均速度和吞吐量的枢纽。不同的代理人的性能，在等待时间方面，比较在不同的需求水平，从正常运行到传统的自适应控制器的饱和。我们发现，最大化网络速度的奖励同时获得车辆和行人的最低等待时间，紧随其后的是队列最小化，表现出比其他先前提出的方法更好的性能。
2020-10-17 cs.LG cs.SY eess.SY
Control of a Mixed Autonomy Signalised Urban Intersection: An Action-Delayed Reinforcement Learning Approach
我们考虑一个混合自治的情况下，交通路口控制器决定是否交通灯将是绿色或红色在每个车道的多个交通灯块。交叉口控制器的目标是使每个车道的排队长度最小化，使每个街区的车辆流出量最大化。我们认为，交通路口控制器通知自动驾驶汽车（AV），交通灯是否将是绿色或红色的未来交通灯块。因此，AV可以通过解决最优控制问题来适应其动态。由于交通控制器的延迟行为，我们将交叉口控制器的决策过程建模为确定性延迟马尔可夫决策过程。我们提出了基于强化学习的算法来获得最优策略。我们表明-经验-我们的算法收敛，并大大降低了能源成本的自动驾驶汽车的交通控制器与自动驾驶汽车通信。
2021-06-24 cs.SY eess.SY
Dynamic Routing in Stochastic Urban Air Mobility Networks: A Markov Decision Process Approach
针对城市空中交通网络中的电动飞机路由问题，提出基于马尔可夫决策过程的方法，在考虑电池容量、随机旅行时间和排队延迟下，最小化预期总旅行时间并避免电池耗尽，通过案例验证有效性。
2023-05-11 cs.SY eess.SY
A Queueing Network Approach to the Analysis and Control of Mobility-On-Demand Systems
Stanford University（斯坦福大学）
本文提出利用排队网络分析和控制移动按需系统，通过构建两个耦合的闭合Jackson网络模型，展示如何通过线性规划和非线性优化实现系统平衡，并基于出租车数据验证了最优车辆与司机比例。
2014-09-27 cs.PF cs.SY eess.SY
Generalized Proportional Allocation Policies for Robust Control of Dynamical Flow Networks
研究了动态流网络的鲁棒控制问题。在所考虑的动态模型中，交通流沿着交通网络的链接-建模为一个容量的多重图-和队列在节点处，从而控制策略确定哪些传入队列在一个节点被分配服务的同时，在一些预定的调度约束。我们首先证明了一个基本的性能限制表明，对于一个动态流网络是稳定的一些控制策略，它是必要的外源流入属于一定的稳定区域，这是由网络拓扑，链路容量和调度约束。然后，我们引入了一个家庭的分布式控制，被称为广义比例分配（GPA）的政策，并证明了他们稳定的动态运输网络的外源流入属于这样的稳定区域。所提出的GPA控制策略是分散的，完全可扩展的，因为它们只依赖于本地反馈信息。从以前研究的最大稳定控制策略，GPA控制策略不需要任何全局信息的网络拓扑，外源流入，或路由，这使得他们强大的需求变化和不可预测的变化，链路容量或路由决策。此外，所提出的GPA控制策略还考虑了在服务之间切换时的开销时间。我们的理论结果发现一个应用在城市交通网络的控制信号交叉口，车辆排队在路口和交通信号控制决定绿灯分配到不同的传入车道。
2019-07-03 cs.SY eess.SY
A Distributionally Robust Multi-agent Reinforcement Learning Framework for Intelligent Intersection Control
University of Groningen（格罗宁根大学）；Bilkent University（比尔肯特大学）
研究针对多智能体强化学习在交通信号控制中应对不利情况能力不足的问题，提出集成自适应上下文博弈最坏情况估计器的分布鲁棒框架，经实验验证其能提升鲁棒性和效率，且策略有零样本泛化能力。
2026-07-14 cs.SY eess.SY
A Reinforcement Learning Approach for Intelligent Traffic Signal Control at Urban Intersections
California PATH, University of California, Berkeley（加州大学伯克利分校）；Futurewei Technologies, Inc.（华为技术公司）
本文提出了一种基于强化学习的交通信号控制方法，通过神经网络近似Q函数来处理复杂的交通信号控制问题，旨在优化交通流并减少拥堵和延误。
2019-05-19 cs.SY eess.SP eess.SY
Metering traffic flows for perimeter control through auction-based signalling using connected vehicles
本文提出一种基于密封第二价格拍卖的交叉口绿灯时间分配机制，通过联网车辆实时监控调节受保护网络的车辆流入，在流入量调节、排队和延误管理上优于固定配时法。
2025-08-13 cs.SY eess.SY
Grey Models for Short-Term Queue Length Predictions for Adaptive Traffic Signal Control
Benedict College（贝尼迪克特学院）；Clemson University（克莱姆森大学）
城市信号交叉口的交通拥挤严重降低了行程时间的可靠性。自适应信号控制系统（ASCS）是目前最先进的交通信号控制技术，它根据交通信号的模式实时调整信号相位和配时，以减少交通拥挤。实时预测排队长度可以用来调整相位和时间，为不同的运动在一个交叉口与ASCS。预测的准确性根据因素而变化，例如车辆到达率的随机性、一天中的时间、天气和驾驶员特征。此外，准确预测多车道，欠饱和和饱和的交通情况是具有挑战性的。因此，本研究的目的是开发排队长度预测模型的信号交叉口，可以利用ASCS使用四种变化的灰色系统：（i）一阶单变量灰色模型（GM（1，1））;（ii）GM（1，1）与傅立叶误差校正;（iii）灰色Verhulst模型（GVM），（iv）GVM与傅立叶误差校正。GM的功效在于它们促进了快速处理;因为这些模型不需要大量的数据，而人工智能模型则需要大量的数据;并且与统计模型不同，它们能够适应随机变化。我们已经进行了一个案例研究，使用队列长度数据从五个交叉口ASCS校准的道路网络在列克星敦，南卡罗来纳州。将GM模型与线性、非线性时间序列模型和长短期记忆（LSTM）神经网络进行了比较。基于我们的分析，我们发现EGVM降低了最接近的竞争模型的预测误差（即，LSTM和时间序列模型）在预测平均和最大队列长度时，根均方误差分别为40%和42%，平均绝对误差分别为51%和50%。
2019-12-29 cs.AI cs.LG cs.SY
Design Of Fuzzy Logic Traffic Controller For Isolated Intersections With Emergency Vehicle Priority System Using MATLAB Simulation
Jabalpur Engineering College（贾巴尔普尔工程学院）
本文设计了基于模糊逻辑的交通控制器，通过MATLAB仿真优化隔离交叉口交通流，利用等待时间和队列长度进行控制，并集成紧急车辆优先系统以提升交通效率。
2014-05-05 cs.AI cs.SY eess.SY
On the approximation of queue-length distributions in transportation networks
本文主要研究车辆交通的分析概率模型。建立了随机节点模型。然后，它通过将节点模型与Lu和Osorio（2018）的链路模型耦合来建立网络模型，这是流量理论链路传输模型的随机公式。该网络模型具有可扩展性和计算效率高的特点，适用于城市网络优化。对于具有$r$链路的网络，每个空间容量为$\ell$，模型的复杂度为$\mathcal{O}(r\ell)$。网络模型产生的边际分布的链路状态。该模型与基于模拟的网络实现的随机链路传输模型进行了验证。验证实验考虑了一组具有复杂流量动态的小型网络。对于所有的情况下，所提出的模型准确地捕捉交通动态。该网络模型用于解决信号控制问题。与Lu和Osorio（2018）的概率链路模型相比，具有外生节点模型和基准确定性网络负载模型，所提出的网络模型推导出性能更好的信号计划。该案例研究强调了使用中间链接（即，跨节点）的交互信息，用于流量管理并考虑网络中的随机性。
2022-09-04 cs.GT cs.SY eess.SY
Distributionally Robust Multi-Agent Reinforcement Learning for Intelligent Traffic Control
University of Groningen（格罗宁根大学）；Bilkent University（比尔肯特大学）
本文提出了一种分布鲁棒多智能体强化学习框架，用于智能交通控制，在不同交通场景下有效减少排队长度并提高行驶速度。
2025-12-21 cs.SY eess.SY
A Comparative Study of Algorithms for Intelligent Traffic Signal Control
PES University（PES大学）
在本文中，方法已被探索，以有效地优化交通信号控制，最大限度地减少等待时间和排队长度，从而增加交通流量。首先将交通交叉口定义为一个马尔可夫决策过程，并选择了状态表示、动作和奖励。利用城市机动性仿真（SUMO）对一个交叉口进行仿真，比较了不同场景下的交通信号控制策略，即反馈控制机制Round Robin调度策略和深度Q网络（DQN）、优势行为者-批评者（A2C）两种强化学习技术。最后，该方法进行了测试，在印度的Bengalu的一个真实世界的交叉口的模拟。
2021-09-18 cs.LG cs.SY eess.SY
Reinforcement Learning-Based Traffic Signal Control for IoT-Enabled Intersections
Department of Electrical Engineering, Kuwait University（卡塔尔大学电气工程系）
提出基于近端策略优化的强化学习控制器，利用本地交通状态动态分配绿灯时长，在科威特真实数据仿真中，相比固定时间和感应控制分别减少46%和34%的平均延误，并降低23%的CO2排放。
2026-10-08 cs.LG cs.SY eess.SY
Bayesian Critique-Tune-Based Reinforcement Learning with Adaptive Pressure for Multi-Intersection Traffic Signal Control
School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院）
本文提出BCT-APLight方法，通过贝叶斯批判-调优框架和自适应压力机制改进多路口交通信号控制中的强化学习策略，在七个真实数据集上显著降低队列长度和等待时间。
2024-12-25 cs.AI cs.LG cs.MA
Large-scale Regional Traffic Signal Control Based on Single-Agent Reinforcement Learning
本文提出基于单智能体强化学习的大规模区域交通信号控制模型，通过优化交通信号协调以缓解拥堵和减少行驶时间。
2026-01-12 cs.LG cs.SY eess.SY
Data-Driven Intersection Management Solutions for Mixed Traffic of Human-Driven and Connected and Automated Vehicles
University of Virginia（弗吉尼亚大学）
本文提出了两种解决方案，在连接和自动驾驶汽车的存在下，城市交通控制。首先，提出了一种集中式基于车队的控制器的协同交叉口管理问题，利用车队系统和V2I通信，以产生快速和平稳的交通流在一个单一的交叉口。其次，提出了一种数据驱动的方法，用于在联网车辆存在的情况下进行自适应信号控制。所提出的系统依赖于一个数据驱动的方法，最佳信号时序和数据驱动的探试法估计路由决策。它不需要在交叉口安装额外的传感器，与实践中的自适应信号控制器的典型设置相比，降低了安装成本。该交通控制器包含一个最优信号配时模块和一个交通状态估计器。信号配时模块是在微观仿真数据上训练的神经网络模型，以根据给定的性能度量（例如车辆延迟或平均队列长度）实现最优结果。交通状态估计器依赖于连接车辆的信息来估计交通的路由决策。提出了一种探试法来最小化估计误差。通过充分的参数调整，估计误差随着联网车辆市场渗透率（MPR）的增长而减小。当MPR为10%时，估计误差小于30%，当MPR大于30%时，估计误差缩小到20%以下。仿真结果表明，建议的交通控制器优于公路通行能力手册的方法，并给予适当的离线参数调整，它可以减少平均车辆延误高达25%。
2020-12-10 cs.LG cs.SY eess.SY
Reinforcement Learning with Model Predictive Control for Highway Ramp Metering
Delft Center for Systems and Control, Delft University of Technology（代尔夫特理工大学代尔夫特系统与控制中心）
本研究提出将强化学习嵌入模型预测控制框架，用于高速公路匝道控制，通过构建阶段成本函数和函数近似，在模型不确定下学习优化控制策略，减少拥堵并满足约束，性能优于其他先进控制器。
2025-02-03 cs.AI cs.SY eess.SY
The Effects of Varying Penetration Rates of L4-L5 Autonomous Vehicles on Fuel Efficiency and Mobility of Traffic Networks
本文基于 Vissim 复刻哥伦布真实道路，模拟不同渗透率的 L4-L5 自动驾驶车辆，并从油耗、延误、排队、停车和排放等指标评估其对交通网络的影响。
2023-06-01 cs.SY eess.SY
Multi-hop Upstream Anticipatory Traffic Signal Control with Deep Reinforcement Learning
University of Toronto（多伦多大学）
针对现有交通信号控制方法短视、学习复杂度高的问题，提出基于马尔可夫链的多跳上游压力概念，结合深度强化学习实现具备更广空间感知的信号控制，仿真验证可显著降低路网整体延误。
2025-01-16 cs.AI cs.LG cs.SY
Large-scale traffic signal control using machine learning: some traffic flow considerations
Georgia Institute of Technology（佐治亚理工学院）
本文使用监督学习、随机搜索和深度强化学习控制大型信号交叉口网络，发现训练时的平均网络占用率是DRL策略有效性的主要决定因素，建议在训练时丢弃拥堵数据以提升性能。
2019-08-07 cs.AI cs.SY eess.SY
