基于双大语言模型架构的交通信号控制：Herald引导式提示语并行细粒度控制
机器学习
2025-11-04 v1 人工智能
摘要
利用大语言模型（LLM）进行交通信号控制（TSC），相较于传统强化学习（RL）方法，可提升优化效率和可解释性。然而，现有基于LLM的方法受限于固定时險信号时长，且易产生幻觉错误，而RL方法在信号时长决策上鲁棒性不足，泛化能力差。为此，本文提出HeraldLight，一种由Herald引导式提示语增强的双LLM架构。Herald模块基于实时条件提取上下文信息并预测每个交通相位的排队长度。第一个LLM（LLM-Agent）利用这些预测进行细粒度交通信号控制，而第二个LLM（LLM-Critic）则优化LLM-Agent的输出，纠正错误和幻觉。经优化后的输出用于基于得分的微调，以提升准确性和鲁棒性。基于CityFlow的仿真实验使用覆盖济南（12个交叉口）、杭州（16个交叉口）和纽约（196个交叉口）等真实世界数据集，证明HeraldLight在所有场景中平均行车时间降低20.03%，在济南和杭州场景中平均排队长度降低10.74%。源代码已公开于GitHub：https://github.com/BUPT-ANTlab/HeraldLight。
引用
@article{arxiv.2511.00136,
title = {A Dual Large Language Models Architecture with Herald Guided Prompts for Parallel Fine Grained Traffic Signal Control},
author = {Qing Guo and Xinhang Li and Junyu Chen and Zheng Guo and Xiaocong Li and Lin Zhang and Lei Li},
journal= {arXiv preprint arXiv:2511.00136},
year = {2025}
}