csjywu01

摘要： Optimizing Federated Learning on Non-IID Data with Reinforcement Learning 这张示意图和对应的文字描述了一个 双深度Q学习网络（Double DQN, DDQN） 智能体如何与 联邦学习（FL）服务器 交互。以下是详细解读： 图 阅读全文

摘要： net.xml junctions + edge <?xml version="1.0" encoding="UTF-8"?> <!-- generated on 2024-11-20 15:25:06 by Eclipse SUMO netedit Version 1.21.0 <neteditC 阅读全文

摘要： 在轨迹数据中结合联邦学习、强化学习和课程学习进行训练，可以有效地保留用户隐私，同时通过强化学习策略学习轨迹数据的时空特征，并利用课程学习优化训练过程。以下是一个整合这些方法的框架和步骤，突出时间和空间特征的处理： 1. 联邦学习 (Federated Learning) 框架 目标：在多个分布式客户 阅读全文

摘要： Tutorials https://sumo.dlr.de/docs/Tutorials/index.html net.xml (道路设置) 和 route.xml (车类型设置 + 车流量设置) + .sumocfg (综合前两个xml文件) 十字路口的例子 https://sumo.dlr.de 阅读全文

摘要： A Graph-based Representation Framework for Trajectory Recovery via Spatiotemporal Interval-Informed Seq2Seq 预测路段比例 + 坐标 （欧几里得距离）+ 坐标 （道路比例之间的距离） 根据您提供 阅读全文

摘要： Q-Learning 是off-policy，采样和Q值更新不一致。使用的是值更新 Q-Learning 是一种基于值的强化学习算法，主要通过与环境交互来更新 Q 值，从而找到最优策略。以下是 Q-Learning 的主要步骤和关键组成部分： 1. 初始化 初始化 Q 值表：为所有状态-动作对 $ 阅读全文

摘要： Multi-Agent Deep Reinforcement Learning for Urban Traffic Light Control in Vehicular Networks 问题定义 一个交通灯是一个agent + 最内侧车道用于左转，中间车道用于直行，最外侧车道用于直行和右转 该论文 阅读全文

摘要： 轨迹数据 + road network数据 LightTR: A Lightweight Framework for Federated Trajectory Recovery 是的，您说得对。这里的数据确实可以分为两种： 轨迹数据（Trajectory Data）： 轨迹数据包含了一个移动对象（比 阅读全文

摘要： TEAM: Topological Evolution-aware Framework for Traffic Forecasting–Extended Version Motivation 为了捕捉复杂的时空动态，许多基于深度学习的方法最近被提出，并由于其学习非线性动力学[35,59]的能力，在挑 阅读全文

摘要： LEARN TO SELECT: EFFICIENT CROSS-DEVICE FEDERATED LEARNING VIA REINFORCEMENT LEARNING 异构导致的模型收敛问题 动机。联邦学习（FL）是一种强大的技术，它允许资源有限的移动设备在协作训练全球机器学习模型的同时，保护 阅读全文