附有论文，交通信号灯识别源程序。采DDPG深度强化学习方法。给出了LOSS损失函数图像

用于交通信号控制的Deep Q学习代理 深入的Q-Learning强化学习代理尝试在交叉路口选择正确的交通信号灯相位以最大化交通效率的框架。 我已将其上传到此处，以帮助任何人寻找通过SUMO进行深度强化学习的良好起点。 这段代码是从我的硕士论文中提取的，它代表了我的论文工作所用代码的简化版本。 我希望您可以找到此存储库对您的项目有用。 入门 这些说明将为您提供在本地计算机上运行的项目的副本。 我认为，以下是最简单的步骤，以便以最少的工作量从头开始运行算法。 强烈建议使用配备NVIDIA GPU的计算机。 下载Anaconda（）并安装。 下载SUMO（ ）并安装。 按照简短指南正确正确地安装tensorflow-gpu，不会出现问题。 简而言之，该指南告诉您打开Anaconda Prompt或任何终端，然后键入以下命令： conda create --name tf_gpu ac

城流 CityFlow 是一种用于大规模城市交通场景的多智能体强化学习环境。 检查这些功能！ 一种微观交通模拟器，可模拟每辆车的行为，提供最高级别的交通演变细节。 支持灵活定义路网和交通流 为强化学习提供友好的python接口 快速地！ 精心设计的数据结构和多线程仿真算法。 能够模拟城市范围内的交通。 请参阅与 SUMO 的性能比较。 具有不同线程数（1、2、4、8）和 SUMO 的 CityFlow 之间的性能比较。 从小型 1x1 网格路网到城市级 30x30 路网。 当您需要通过 python API 与模拟器交互时，速度会更快。 截屏 使用 CityFlow 的特色研究和项目 链接 WWW 2019 演示文稿 主页 文档和快速入门 码头工人 [1] 相扑首页 [2] 天让智能首页