虚拟交警：面向突发事件的基于大语言模型增强的交通信号控制
系统与控制
2026-01-23 v1 人工智能
系统与控制
摘要
自适应交通信号控制（TSC）在管理动态交通流方面已展现出强大的有效性。然而，当发生不可预见的交通事件（如事故和道路维护）时，传统方法往往难以应对，这通常需要交警进行劳动密集型且效率低下的手动干预。大语言模型（LLMs）凭借其卓越的推理和泛化能力，似乎是一种有前景的解决方案。然而，现有工作通常提议用基于 LLM 的系统取代现有的 TSC 系统，这可能（i）因 LLM 固有的幻觉而不可靠，以及（ii）因需要系统替换而成本高昂。为解决现有工作中的这些问题，我们提出了一种用 LLM 增强现有 TSC 系统的分层框架，其中上层的虚拟交警智能体根据实时交通事件，动态微调下层信号控制器的选定参数。为增强响应不可预见交通事件时的领域特定可靠性，我们设计了一个自优化的交通语言检索系统（TLRS），该系统采用检索增强生成技术，从包含交通状况和控制器运行原理的定制交通语言数据库中汲取知识。此外，我们设计了一个基于 LLM 的验证器，在推理过程中持续更新 TLRS。我们的结果表明，LLM 可以作为值得信赖的虚拟交警，使传统 TSC 方法能够适应不可预见的交通事件，并显著提高运行效率和可靠性。
引用
@article{arxiv.2601.15816,
title = {Virtual Traffic Police: Large Language Model-Augmented Traffic Signal Control for Unforeseen Incidents},
author = {Shiqi Wei and Qiqing Wang and Kaidi Yang},
journal= {arXiv preprint arXiv:2601.15816},
year = {2026}
}