融合双注意力机制的快速路协同深度强化学习方法

来源：交通运输系统工程与信息杂志2026年第2期北京时间：

作者：孙健, 纪裕伟, 于珂伟, 李子豪, 赵昱霖

单位：长安大学，a.未来交通学院；b.运输工程学院，西安710064

摘要：城市快速路匝道合流区是交通瓶颈频发区域，而网联自动驾驶车辆与人工驾驶车辆构成的混合交通流为交通控制带来新挑战。本文旨在提出一种兼顾匝道排队溢出影响的混合交通流可变限速控制方法，以缓解拥堵并增强交通流稳定性。研究将合流区协同优化控制问题抽象为马尔可夫决策过程，提出双深度Q网络和双注意力机制（Convolutional Block Attention Module, CBAM）的集成方法DDQN-CBAM：构建含匝道排队长度和合流区密度等多维度核心参数与网格化特征的扩展状态空间，引入CBAM双注意力机制强化关键特征提取，设计融合通行效率和排队控制等多目标的奖励函数，并结合优先经验回放和渐进式车流输入等策略优化训练。以徐州北三环快速路为实例，在仿真平台（SUMO）进行仿真验证。实验结果表明，该方法较传统控制策略，总行程时间减少26.49%，总行驶距离提升35.95%，交通流量标准差降低超22.5%，小时控制频率与速度调整率分别稳定在10次和0.14左右。本文提出的方法兼具工程适用性与鲁棒性，为城市快速路匝道合流区交通控制提供可靠支撑。

关键词：智能交通,可变限速控制,深度强化学习,城市快速路,合流区协同影响,注意力机制

基金资助：国家自然科学基金(52172319)；国家社会科学基金 (22XJY030)。