本研究提出了一种基于强化学习的控制器，旨在提高多车道高速公路的交通效率。该系统能够动态调整自动驾驶车辆在瓶颈附近的时间间隔，适用于缺乏车辆互联和感知能力的现实场景，具有实际和可扩展性。

本文介绍了多种基于深度强化学习和多智能体协作的交通信号控制与规划方法，旨在提升交通安全、效率和鲁棒性。这些方法包括无信号交叉口优化、适应性实时控制及基于区域划分的信号控制系统。研究表明，这些新算法在性能上显著优于现有方法，有效管理复杂城市交通流量。

本研究提出了一种新的出租车需求预测系统，利用图神经网络捕捉城市环境中的空间依赖性和模式。该系统采用区域中立的方法，通过变分自编码器将输入特征分解为区域特定和区域中立的组件，实现跨区域出租车需求预测并推广到不同城市区域。实验证明该系统在准确预测出租车需求方面有效，并展示了优化出租车服务和提高交通效率的潜力。