Large Language Models as Traffic Signal Control Agents: Capacity and Opportunity

要約

交通信号制御は、信号の位相を調整することで道路ネットワークの効率を最適化するために重要です。
既存の研究は主にヒューリスティック学習または強化学習 (RL) ベースの手法に焦点を当てていますが、多くの場合、さまざまな交通シナリオ間での移行性が欠けており、解釈可能性が低いという問題があります。
この文書では、交通信号制御タスクに大規模言語モデル (LLM) を利用する新しいアプローチである LLMLight を紹介します。
LLM の優れた一般化機能とゼロショット推論機能を活用することで、LLMLight は人間のような意思決定プロセスを実行し、効率的なトラフィック管理を実現します。
具体的には、このフレームワークは、タスクの説明、現在の交通状況、事前の知識をプロンプトに組み込むことから始まります。
その後、LLM の思考連鎖 (CoT) 推論機能を利用して次の信号フェーズを特定し、道路ネットワークの最適な効率を確保します。
LLMLight は、5 つの現実世界の交通データセットにわたって、最先端 (SOTA) または競争力のある結果を達成します。
特に、LLMLight は、輸送管理タスクのトレーニングを受けていなくても、顕著な一般化、解釈可能性、およびゼロショット推論能力を示しています。
私たちのプロジェクトは https://github.com/usail-hkust/LLMTSCS で入手できます。

要約(オリジナル)

Traffic signal control is crucial for optimizing the efficiency of road network by regulating traffic light phases. Existing research predominantly focuses on heuristic or reinforcement learning (RL)-based methods, which often lack transferability across diverse traffic scenarios and suffer from poor interpretability. This paper introduces a novel approach, LLMLight, utilizing large language models (LLMs) for traffic signal control tasks. By leveraging LLMs’ impressive generalization and zero-shot reasoning capabilities, LLMLight executes a human-like decision-making process for efficient traffic management. Specifically, the framework begins by composing task descriptions, current traffic conditions, and prior knowledge into a prompt. Subsequently, we utilize LLM’s chain-of-thought (CoT) reasoning ability to identify the next traffic signal phase, ensuring optimal efficiency in the road network. LLMLight achieves state-of-the-art (SOTA) or competitive results across five real-world traffic datasets. Notably, LLMLight showcases remarkable generalization, interpretability, and zero-shot reasoning abilities, even without any training for transportation management tasks. Our project is available at https://github.com/usail-hkust/LLMTSCS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google