LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments

城市地区的交通拥堵问题带来了巨大的挑战，具有深远的经济、环境和社会影响。因此，有效的拥堵管理至关重要，交通信号控制（TSC）系统在此方面起着关键作用。传统的TSC系统基于规则算法或强化学习（RL）设计，经常在管理城市交通流的复杂性和变异性方面表现出不足，受限于其适应陌生场景的能力。为了应对这些限制，本文介绍了一种创新方法，将大型语言模型（LLM）整合到TSC中，利用其先进的推理和决策能力。具体而言，提出了一种混合框架，将LLM与一套感知和决策工具相结合，便于对静态和动态交通信息进行询问。这种设计将LLM置于决策过程的中心，将外部交通数据与已有的TSC方法相结合。此外，还开发了一个仿真平台来证实所提出的框架的有效性。我们的模拟结果表明，该系统能够适应多种交通环境，无需额外的训练。值得注意的是，在传感器故障（SO）的情况下，我们的方法通过减少平均等待时间20.4％，超过了传统的基于RL的系统。这项研究标志着TSC策略的显着进步，并为将LLM整合到现实世界的动态场景中铺平了道路，突显了它们革命性的交通管理潜力。相关代码可在\href{https://github.com/Traffic-Alpha/LLM-Assisted-Light}{https://github.com/Traffic-Alpha/LLM-Assisted-Light}上找到。

解决交通拥堵问题，提高交通信号控制系统的效率和适应性。

将大型语言模型（LLMs）与交通信号控制系统相结合，提高交通信息的感知和决策能力，减少等待时间。

该论文提出了一种新的交通信号控制系统，使用大型语言模型来处理交通信息，实验结果表明该系统能够适应不同的交通环境，并且在传感器故障的情况下比传统的强化学习系统表现更好。

相关研究包括基于规则算法和强化学习的交通信号控制系统，以及利用神经网络等技术来处理交通信息的研究。