CFLight：基于反事实学习提升交通信号控制中的安全性
机器学习
2025-12-17 v2 统计方法学
摘要
交通事故全球造成数百万人受伤和死亡，其中很大一部分发生在交叉口。交通信号控制（TSC）是提高这些城市路口安全的有效策略。尽管强化学习（RL）方法在优化TSC方面越来越受欢迎，但这些方法往往优先考虑驾驶效率，而忽视了这两种方面的关键平衡。此外，这些方法通常需要更高的可解释性。反事实（CF）学习是一种具有前景的因果分析方法。本研究引入了一种新框架，用于在TSC中针对安全性方面改进RL。该框架基于CF学习提出了一种新方法，以回答以下问题：“如果在发生危险事件时回溯并执行替代动作，这场危险事件在随后时段是否仍会发生？”为回答此问题，我们提出了新的结构因果模型以预测执行不同动作后的结果，并提出了新的CF模块，通过集成额外的“X”模块来促进安全的RL实践。我们提出的新算法CFLight正是基于该框架，有效解决了具有挑战性的安全事件，通过近乎零碰撞的控制策略显著提高了交叉口的安全性。通过在真实数据集和合成数据集上的大量数值实验，我们展示CFLight在减少碰撞和改善整体交通性能方面优于常规RL方法和最新安全RL模型。此外，我们的方法代表了一个通用且安全的RL框架，为在其他领域的应用开辟了可能性。数据和代码均已公开于 https://github.com/AdvancedAI-ComplexSystem/SmartCity/tree/main/CFLight。
引用
@article{arxiv.2512.09368,
title = {CFLight: Enhancing Safety with Traffic Signal Control through Counterfactual Learning},
author = {Mingyuan Li and Chunyu Liu and Zhuojun Li and Xiao Liu and Guangsheng Yu and Bo Du and Jun Shen and Qiang Wu},
journal= {arXiv preprint arXiv:2512.09368},
year = {2025}
}