Andere Kunden interessierten sich auch für
![Droit de la régulation appliqué aux marchés publics et aux télécommunications]( "Droit de la régulation appliqué aux marchés publics et aux télécommunications")
Droit de la régulation appliqué aux marchés publics et aux télécommunications26,99 €![Business International & Droits De L¿Homme : l¿équation insoluble ?]( "Business International & Droits De L¿Homme : l¿équation insoluble ?")
Business International & Droits De L¿Homme : l¿équation insoluble ?32,99 €![Système de contrôle du trafic basé sur la densité pour les véhicules d'urgence]( "Système de contrôle du trafic basé sur la densité pour les véhicules d'urgence")
Système de contrôle du trafic basé sur la densité pour les véhicules d'urgence39,99 €![Mesure de perception du changement organisationnel par les salariés]( "Mesure de perception du changement organisationnel par les salariés")
Mesure de perception du changement organisationnel par les salariés43,99 €![La régulation des services financiers numériques au sein de l'UEMOA]( "La régulation des services financiers numériques au sein de l'UEMOA")
La régulation des services financiers numériques au sein de l'UEMOA27,99 €![Le Mécanisme Africain d¿Evaluation par les Pairs]( "Le Mécanisme Africain d¿Evaluation par les Pairs")
Le Mécanisme Africain d¿Evaluation par les Pairs36,99 €![Valorisation des gisements de cuivre et cobalt par flottation]( "Valorisation des gisements de cuivre et cobalt par flottation")
Valorisation des gisements de cuivre et cobalt par flottation46,99 €
La congestion est considérée comme l'un des problèmes majeurs dans la plupart des grandes villes dans le monde entier et spécifiquement dans les zones urbaines. Elle conduit à plusieurs autres problèmes comme la perte de temps et les longues files d'attente sur les routes qui peuvent provoquer des accidents. Pour la résolution de ce problème, nous proposons un modèle d'apprentissage par renforcement profond avec une représentation d'état qui identifie la position des véhicules dans l'environnement, un ensemble d'actions défini par des configurations de feux de signalisation avec une durée fixe, et une fonction de récompense qui capture la différence des temps d'attente des véhicules entre les actions. Pour mettre en oeuvre le modèle, l'approche d'apprentissage appliquée est le Q-learning combiné à un réseau neuronal profond. Les résultats indiquent que le modèle proposé peut s'adapter à plusieurs situations de circulation et est capable de surpasser le système de feux de signalisation statiques dans les Scénario à faible trafic.