随着经济的快速发展,机动车数量持续增长,道路拥堵现象日益严重。交通信号控制是提高路网通行能力的重要途径。由于传统的信号控制方法不能随交通流的变化而调整,基于智能算法的自适应控制是目前该领域的主要研究方向。但是交通流是相互影响的,仅凭局部交叉口的控制不能表征路网的整体性能,参与协作的交叉口越多,控制效果越不理想。此外,交通信号控制具有数据实时采集、时延要求高等特点,不适合将其控制计算过程部署在云端。为了解决这些问题,本文在边缘计算环境下进行路网分区,设计路口协作机制并结合多智能体强化学习,实现各个子区域的交通信号协作控制。主要内容包括以下方面:提出了一种交通信号控制场景下的边缘计算分层架构,确定了网络实体并设计了实体间的静态关系及协作模式;提出了 一种综合考虑交通流时间动态性和空间动态性的路网子区划分方法,结合分类质量及多路口信号控制范围确定路网最佳子区域个数,并依据交通流特性进行交叉口的相似性度量,通过聚类算法实现路网划分;提出了一种结合模糊控制和强化学习的算法来实现基于边缘节点的单路口交通信号控制,通过模糊决策对复杂多变的交通流信息进行优化,并将交通信号控制问题抽象成为马尔可夫决策过程,运用强化学习实现优化过程的求解,以获得动态的信号配时方案;提出了一种结合协作计算和多智能体强化学习的算法来实现多路口交通信号协作控制,参与实体通过多智能体交互模型实现信息合作,依据交叉口间的静态物理特性和动态交通流特性进行协作计算,并结合强化学习完成子区内多路口信号自适应控制。