The control of traffic signals is fundamental and critical to alleviate traffic congestion in urban areas. However, it is challenging since traffic dynamics are complicated in real-world scenarios. Because of the high complexity of the optimisation problem for modeling the traffic, experimental settings of existing works are often inconsistent. Moreover, it is not trivial to control multiple intersections properly in real complex traffic scenarios due to its vast state and action space. Failing to take intersection topology relations into account also results in inferior solutions. To address these issues, in this work we carefully design our settings and propose a new dataset including both synthetic and real traffic data in more complex scenarios. Additionally, we propose a novel baseline model with strong performance. It is based on deep reinforcement learning with an encoder-decoder structure: an edge-weighted graph convolutional encoder to excavate multi-intersection relations; and an unified structure decoder to jointly model multiple junctions in a comprehensive manner, which significantly reduces the number of the model parameters. By doing so, the proposed model is able to effectively deal with the multi-intersection traffic control optimisation problem. Models are trained/tested on both synthetic and real maps and traffic data with the Simulation of Urban Mobility (SUMO) simulator. Experimental results show that the proposed model surpasses multiple competitive methods. The traffic data and the code can be found at https://git.io/JPdU1 .

中文翻译：

---

多路口交通优化：基准数据集和强大的基线

交通信号灯的控制对于缓解城市地区的交通拥堵至关重要。然而，由于交通动态在现实世界中很复杂，因此具有挑战性。由于交通建模优化问题的高度复杂性，现有工作的实验设置往往不一致。此外，由于其巨大的状态和动作空间，在现实复杂的交通场景中正确控制多个交叉口并非易事。不考虑交叉拓扑关系也会导致较差的解决方案。为了解决这些问题，在这项工作中，我们仔细设计了我们的设置并提出了一个新的数据集，其中包括更复杂场景中的合成和真实交通数据。此外，我们提出了一种具有强大性能的新型基线模型。它基于具有编码器-解码器结构的深度强化学习：边缘加权图卷积编码器，用于挖掘多交叉关系；统一结构的解码器，对多个路口进行综合建模，显着减少了模型参数的数量。通过这样做，所提出的模型能够有效地处理多路口交通控制优化问题。使用城市交通模拟 (SUMO) 模拟器在合成地图和真实地图以及交通数据上对模型进行训练/测试。实验结果表明，该模型优于多种竞争方法。交通数据和代码可以在 统一结构的解码器，对多个路口进行综合建模，显着减少了模型参数的数量。通过这样做，所提出的模型能够有效地处理多路口交通控制优化问题。使用城市交通模拟 (SUMO) 模拟器在合成地图和真实地图以及交通数据上对模型进行训练/测试。实验结果表明，该模型优于多种竞争方法。交通数据和代码可以在 统一结构的解码器，对多个路口进行综合建模，显着减少了模型参数的数量。通过这样做，所提出的模型能够有效地处理多路口交通控制优化问题。使用城市交通模拟 (SUMO) 模拟器在合成地图和真实地图以及交通数据上对模型进行训练/测试。实验结果表明，该模型优于多种竞争方法。交通数据和代码可以在 使用城市交通模拟 (SUMO) 模拟器在合成地图和真实地图以及交通数据上对模型进行训练/测试。实验结果表明，该模型优于多种竞争方法。交通数据和代码可以在 使用城市交通模拟 (SUMO) 模拟器在合成地图和真实地图以及交通数据上对模型进行训练/测试。实验结果表明，该模型优于多种竞争方法。交通数据和代码可以在https://git.io/JPdU1 .