车辆的日益增加导致交通拥堵频发,使得人们出行时间明显增长、车辆燃料消耗和气体排放量明显增加,不仅影响了人们出行的舒适度还对环境造成了巨大的污染,因此交通拥堵问题亟待解决。交通路口是各向交通流的交汇处,也是交通拥堵频发的地段之一,因此若能在交通路口进行合理、高效地交通灯控制就能有效地预防和缓解交通拥堵。但是大多数自适应交通灯控制方法只考虑路口的车辆排队长度或者交通流量等单一的参数,没有考虑相邻路口交通容量对当前路口的影响;或者只考虑单路口的交通灯控制没有考虑与周围交通灯的协同控制。对于上述问题本文针对交通路口结合雾计算、道路流量处理能力和强化学习理论提出一种基于道路实时容量的交通灯控制算法(RTCR)。该算法在端-边-雾-云平台上设定每个路口对应一个Agent,由于各路口的交通流信息会在雾层进行共享,所以各路口可以获取自己相邻路口的交通流信息来优化自身的交通灯决策。RTCR算法利用道路流量处理能力以及车辆排队长度等信息计算交通灯相位顺序。结合强化学习中的Deep Q-learning Network(DQN)算法、自身路口以及相邻路口交通流信息共同计算、优化当前交通路口的各相位绿灯时长,实现交通灯的智能调控。本文利用Python和VISSIM搭建联合仿真平台,在该平台上分别对单路口控制和多路口控制进行仿真实验。仿真结果表明RTCR与传统的分时段交通灯控制方法、主干道控制方法(ATL)以及基于Q-learning的FRTL控制方法相比,提高了路口吞吐量、减少了车辆平均等待时间,实现了预防和缓解交通拥堵的目标。