LLMLight: Large Language Models as Traffic Signal Control Agents

要約

交通信号制御 (TSC) は、道路ネットワークの効率を最適化し、渋滞を軽減することを目的とした都市交通管理の重要なコンポーネントです。
TSC の従来の手法は、主に交通工学と強化学習 (RL) に基づいており、さまざまな交通シナリオにわたる一般化に限界があり、解釈可能性に欠けていることがよくあります。
この文書では、TSC の意思決定エージェントとして大規模言語モデル (LLM) を使用する新しいフレームワークである LLMLight について説明します。
具体的には、このフレームワークは、リアルタイムの交通状況を詳しく説明する知識豊富なプロンプトを LLM に指示することから始まります。
LLM の高度な一般化機能を活用して、LLMLight は人間の直感に似た推論と意思決定のプロセスを実行して、効果的なトラフィック制御を実現します。
さらに、TSC タスクに特化したバックボーン LLM である LightGPT を構築します。
LightGPT は、微妙なトラフィック パターンと制御戦略を学習することで、LLMLight フレームワークをコスト効率よく強化します。
9 つの現実世界および合成データセットに対する広範な実験により、9 つの交通ベースおよび RL ベースのベースラインに対する LLMLight の顕著な有効性、一般化能力、および解釈可能性が示されています。

要約(オリジナル)

Traffic Signal Control (TSC) is a crucial component in urban traffic management, aiming to optimize road network efficiency and reduce congestion. Traditional methods in TSC, primarily based on transportation engineering and reinforcement learning (RL), often exhibit limitations in generalization across varied traffic scenarios and lack interpretability. This paper presents LLMLight, a novel framework employing Large Language Models (LLMs) as decision-making agents for TSC. Specifically, the framework begins by instructing the LLM with a knowledgeable prompt detailing real-time traffic conditions. Leveraging the advanced generalization capabilities of LLMs, LLMLight engages a reasoning and decision-making process akin to human intuition for effective traffic control. Moreover, we build LightGPT, a specialized backbone LLM tailored for TSC tasks. By learning nuanced traffic patterns and control strategies, LightGPT enhances the LLMLight framework cost-effectively. Extensive experiments on nine real-world and synthetic datasets showcase the remarkable effectiveness, generalization ability, and interpretability of LLMLight against nine transportation-based and RL-based baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google