CuraLight：面向LLM中心化交通信号控制的辩论引导数据策展
人工智能
2026-04-14 v2
摘要
交通信号控制（TSC）是智能交通系统（ITS）的核心组成部分，旨在减少拥堵、排放和出行时间。近期基于强化学习（RL）和大语言模型（LLM）的方法提高了自适应能力，但仍受限于可解释性不足、交互数据不充分以及对异构交叉口的泛化能力弱。本文提出了CuraLight，一个以LLM为中心的框架，其中RL代理辅助LLM基础交通信号控制器的微调。RL代理探索交通环境并生成高质量的交互轨迹，这些轨迹被转换为提示-响应对用于模仿微调。一个多LLM集成辩论系统进一步通过结构化辩论评估候选信号配时动作，为训练提供偏好感知的监督信号。在SUMO上针对济南、杭州和亦庄的异构真实网络进行的实验表明，CuraLight持续优于最先进基线，平均出行时间减少5.34%，平均队列长度减少5.14%，平均等待时间减少7.02%。结果突显了将RL辅助探索与辩论式数据策展相结合在实现可扩展且可解释的交通信号控制方面的有效性。
引用
@article{arxiv.2604.05663,
title = {CuraLight: Debate-Guided Data Curation for LLM-Centered Traffic Signal Control},
author = {Qing Guo and Xinhang Li and Junyu Chen and Zheng Guo and Shengzhe Xu and Lin Zhang and Lei Li},
journal= {arXiv preprint arXiv:2604.05663},
year = {2026}
}
备注
accepted at IJCNN 2026