LLM应用 交通管理 信号控制
面对大都市交通拥堵这一牵涉广泛且棘手的问题，解决之道在于有效管理，而交通信号控制系统在此举足轻重。传统基于规则或强化学习设计的控制系统受限于对新场景适应力不足，在处理复杂多变的城市交通流量时常显得捉襟见肘。针对此局限性，本研究另辟蹊径，巧妙地将大型语言模型（LLMs）融入交通信号控制（TSC），借助LLMs卓越的推理和决策能力。我们创新性地构建了一个融合感知与决策模块的混合框架，让LLMs能够洞悉并应对静态和动态的交通信息变化。这套设计使LLM成为整个决策流程的核心，结合实时交通数据与成熟的TSC技术。为了验证这一新颖框架的实际效果，我们搭建了仿真平台进行测试。模拟结果显示，该系统无需额外训练就能游刃有余地适应多种交通环境，尤其在传感器故障（SO）的情况下，较之传统的基于RL的系统，平均等待时间显著下降了$20.4%$。此项研究成果不仅推进了TSC策略的重大突破，更为LLMs实际应用于瞬息万变的真实交通场景提供了可能，充分展示了其变革交通管理的巨大潜能。相关代码已在GitHub平台上公布，链接为：https://github.com/Traffic-Alpha/LLM-Assisted-Light
LA-Light框架将大型语言模型用于改善城市交通管理，城市交通管理的难度在于这是一个动态而复杂决策机制。
通过将LLMs的复杂推理能力与已建立的交通信号控制(TSC)方法和实时数据收集工具结合起来，建立了一种新的交通信号控制方法。并且对LA-Light进行了全面评估，涵盖了三个不同的交通网络和九种独特的场景，结果显示其在不需要进一步训练的情况下确实有效。
与传统方法相比，LA-Light可以有效减少平均行驶时间(ATT)和平均等待时间(AWT)。此外，它还展示了应急响应车辆指标的改进，如平均应急行驶时间(AETT)和平均应急等待时间(AEWT)。
对各种情境下的决策过程进行分析表明，LA-Light不仅在操作性能方面表现出色，而且在决策的清晰性上也表现出色，这得益于LLMs的解释能力。LA-Light能够灵活地识别和利用针对特定交通情况的最合适工具，为其决策基础提供清晰的见解。
尽管LA-Light框架标志着一大步向前迈出，但仍有一些需要进一步完善的地方：
• 框架目前对LLM进行频繁交互导致决策可能会延迟，可能会影响交通信号调整的及时性。
• 此外，框架依赖于文本描述来描绘交通情景，可能无法涵盖所有需要进行最有效决策所需的细节，这表明采用更直接、基于图像的方法可能会有益，能够从视觉数据中解释交通状况。
• 未来的工作将旨在通过改进交互过程以加快响应时间，并整合能够直接处理视觉信息的基于视觉的模型来解决这些问题。
• 这些改进预计将提高框架在处理现实世界交通系统复杂性时的效率，减少对文本描述的依赖，并加快速度。
Arxiv[1]
引用链接
[1] Arxiv: https://arxiv.org/abs/2403.08337
