平面交叉口是影响城市交通系统通行能力的重要交通节点,长期以来国内外研究学者致力于对交叉口信号控制算法做出合理地改进,但受到交通系统复杂性与随机性的制约,改进后的信号控制算法往往缺乏实时性与准确性,并且不能得到实际上的验证与普及。因此,为提升城市道路交通系统交通资源的利用率,缩短车辆在交叉口的通过时间,提高交通信号控制的灵活性和精确性,本文提出了一种基于深度强化学习的交通信号控制策略,并搭建仿真平台对算法的控制效果进行验证。主要工作如下:1.详细阐述了强化学习、深度学习及深度强化学习应用于城市道路交通系统的理论依据,关键技术以及难点。将深度学习中的降噪自编码器模型与强化学习中的Q学习模型相结合,解决了强化学习应用于复杂交通系统中产生的状态空间爆炸问题,有效提高了算法对交通异常数据的处理。2.在基于深度强化学习的交通信号控制策略的基础上,对于城市道路系统中的单个交叉口考虑相位顺序对交叉口控制效果的影响,进行了相位顺序与信号配时策略协同控制系统的研究。对于城市道路区域交通控制系统,提出了基于分布式多智能体系统的区域交通信号控制策略,保证了区域交通分级控制的实时性和可靠性。3.搭建了Python-VISSIM在线交通仿真平台。该平台可以采用Python编写的自定义交通信号控制算法,通过VISSIM自带的COM接口,对VISSIM中的交通模型对象进行访问和改变,并对收集到的数据进行整理和可视化处理。仿真结果显示,当交通场景简单及交通量稳定时,应用了改进算法的交叉口的车辆平均延误低于应用传统深度强化学习算法的交叉口的平均延误,算法应用的实时性和准确性得到优化,但并不比应用了固定信号配时算法的交叉口的延误小;当交通场景复杂,如相位数量增多或交通流量变化幅度较大时,交通异常数据对信号控制效果的影响被放大,降噪自编码器的作用开始展现,本文所提出的控制策略的控制效果明显优于传统的深度强化学习控制策略和固定配时控制策略。