近年来,随着中国现代化建设的稳步前进,城市化进程的不断加快,机动车的数量也随之大幅增加,交通拥堵已经成为各大城市普遍存在的问题。随着互联网科技的发展,人工智能、大数据、深度强化学习等技术成为研究的热点,相关技术被广泛应用于交通灯控制领域。为解决交通拥堵问题,寻找更加合理的交通灯控制算法提供了新的技术支持。由于交通流特性复杂,路网规模庞大,因此将路网划分为若干个独立的子区域进行控制是必然的结果。准确的交通预测模型能够对接下来的交通状况更好的进行预判,对于结合当下和未来的交通情况,制定合理的交通灯控制算法具有重要意义。本文针对现有的交通灯控制算法存在的不足之处进行优化,结合子区划分和流量预测,提出了一种基于深度强化学习的交通灯区域控制方法。主要研究内容如下:首先,对子区划分在交通信号控制中的作用进行了探索和研究。针对传统子区划分算法仅考虑道路静态属性的问题,对传统Newman快速算法进行改进。通过综合考虑交通流量、路段长度、交通流密度、排队长度、信号周期,计算交叉口之间的关联程度,实现了对路网的动态划分。通过实验证明基于改进Newman快速算法的动态控制子区划分方法优于传统Newman快速算法,可以实现路网子区动态划分,且结果更加符合交通流特征。其次,针对现有相关研究中基于神经网络的交通流预测方法,没有充分考虑交通流的空间特征以及计算复杂度较高的问题,通过将CNN网络与GRU网络相结合,建立了一种新的交通流预测模型。首先使用CNN网络提取交通流的空间特征,然后使用GRU网络提取交通流的多种时间特征,最后对预测结果进行融合。实验表明,基于CNN和GRU网络的交通流预测算法优于传统LSTM预测算法,能够提高预测准确率。最后,针对现有的信号控制算法没有很好解决多交叉口协同控制,且控制策略具有一定的滞后性的问题。提出了一种结合流量预测的Double DQN交通灯区域控制方法。首先使用子区划分算法决定交通灯协同控制的区域范围,然后利用流量预测算法提高控制策略的前瞻性,最后通过基于Double DQN的交通灯区域控制方法实现了对多交叉口的协同控制,仿真实验证明,在轻度交通流和重度交通流环境下,算法均能降低车辆的等待时间。提高路网的通行效率,保障路网的畅通。