一种基于深度学习和强化学习的交通流量预测与信号优化方法

本发明提出了一种基于时空图卷积网络(STGCN)、长短期记忆网络(LSTM)与近端策略优化(PPO)算法的交通流量预测与信号控制优化方法，适用于智慧城市中的智能交通管理。该方法通过深度学习和强化学习相结合，准确预测城市交通流量并优化交通信号灯配时，旨在减少城市交通拥堵，提高道路利用效率。首先，本发明通过STGCN模型捕捉不同路段之间的空间依赖性，使用LSTM模型处理交通流量的时间动态变化。然后，基于PPO算法对信号灯配时进行优化，动态调整信号时序，从而最大限度地减少车辆等待时间，提升整体交通流的通行效率。此外，系统还整合了天气、节假日等外部因素，增强了模型在复杂交通环境中的适应能力。实验表明，使用本发明的方法，交通流量预测的准确性显著提高，同时车辆平均等待时间减少，通行量提升，交通系统的效率得以有效改善。该系统适用于大规模城市交通网络，具有良好的扩展性和实时性，为智慧城市交通管理提供了强大的技术支持。