EvoSignal：LLM 引导的模块化交通信号控制程序演化设计

arXiv:2610.09563v1 公告类型：新稿 摘要：有效的交通信号控制（TSC）需要制定能够响应交通需求和网络状况变化、同时满足不同控制目标的策略。然而，调整现有策略通常需要反复进行人工设计和调参，因此难以系统地探索适用于目标路网的更优控制规则。大型语言模型（LLM）可以使这一过程自动化，但直接使用它们选择信号相位会使决策规则嵌入黑箱模型，并带来持续的推理成本和延迟。本文将 TSC форм式化为模块化程序设计问题，并提出 EvoSignal：一种利用交通知识和性能反馈、由 LLM 引导的演化框架。该模块化表示将交通特征提取、局部相位优先级排序以及可选的基于网络的优先级调整分离开来。EvoSignal 从若干成熟策略出发，通过拥堵状况和信号运行情况的反馈改进程序，同时保留具有不同性能权衡的策略。最终得到的程序无需在线 LLM 推理即可运行。在两个真实道路网络的五个场景中开展的仿真实验表明，与每个场景中 20 种传统、基于强化学习和基于 LLM 的基线方法所达到的最低等待时间相比，选定的默认 EvoSignal 程序将等待时间降低了 16.8--49.2\%。在搜索场景中，一个优先考虑行程时间和排队长度的程序在三项指标上均优于全部 20 个基线方法；当不作修改地迁移到其他四个场景时，该程序在每项指标上仍保持前三名。这些发现支持自动设计可检查的控制程序，并表明这些程序能够在所评估的道路网络和交通需求之间迁移。代码可从 https://github.com/georgewanglz2019/EvoSignal 获取。