编辑推荐：
随着人工智能与自动驾驶技术的发展，交通信号控制正朝着更灵活、更快速响应的方向演变。研究人员从交通信息物理系统（Transportation Cyber-Physical System, T-CPS）视角出发，聚焦于由网联自动驾驶车辆（Connected and
随着人工智能与自动驾驶技术的发展，交通信号控制正朝着更灵活、更快速响应的方向演变。研究人员从交通信息物理系统（Transportation Cyber-Physical System, T-CPS）视角出发，聚焦于由网联自动驾驶车辆（Connected and Automated Vehicle, CAV）与人工驾驶车辆（Human-driven Vehicle, HV）构成的混合交通场景，提出将大语言模型（Large Language Model, LLM）集成到信号控制中：路侧设备感知交通状态，构造提示工程，驱动LLM进行推理并生成控制信号。在此基础上，研究人员进一步提出CAV速度引导算法。在理想V2X通信假设下，基于受控SUMO仿真的单个孤立交叉口实验表明，所提方法在测试的混合交通条件下改善了延误性能；随着CAV渗透率提高，交通性能进一步改善。在应急车辆优先、道路施工约束、不同交通需求水平、感知噪声以及不同决策间隔与引导范围等附加实验中，仿真结果在考察范围内提供了免训练场景适应性与鲁棒性的证据。尽管推理时延与远程应用程序接口（Application Programming Interface, API）延迟限制了LLM新动作的及时获取，但硬截止时间策略与确定性回退机制在受控SUMO仿真中维持了连续信号执行和良好的交通性能。
城市信号交叉口在饱和交通下长期面临拥堵问题。传统信号控制方法，如定时控制、Webster、SCOOT与SCATS等，依赖模型化优化，难以在高度复杂与波动的交通场景中保持决策精度；强化学习方法虽具有数据驱动灵活性，但存在跨场景泛化不足、对预训练数据依赖较强等问题。已有LLM交通控制研究多聚焦于单车智能决策或自动驾驶行为规划，较少将LLM作为基础设施侧信号控制器，并与CAV速度引导协同处理混合交通中的非经常性运行约束。为此，研究人员提出一种基于LLM的交叉口信号控制方法，并集成CAV速度引导，以实现信号相位决策与车辆运动控制的协同优化。
研究人员以T-CPS为视角，构建了感知—决策—执行三层框架。感知层获取交通状态、CAV状态与特殊事件信息；决策层采用提示工程约束LLM推理并生成相位控制动作；执行层执行信号动作，并在硬截止时间内失效时采用确定性回退策略。在此基础上，设计CAV速度引导算法，通过估计排队消散时间、构造有效通行窗口、计算可行速度集，为CAV提供与信号状态一致的速度建议。仿真基于SUMO 1.23.1平台，以南宁市某实际交叉口为案例，交通流量由路侧设备于2025年4月28日晚高峰采集，采集间隔为5分钟。对比方法包括Fixed-time、Webster、SOTL、Max-pressure、PPO-based与UniTSA，每组配置使用五个匹配随机种子，每次运行2000秒。
主要关键技术方法包括：一是基于CoT的提示工程，将复杂信号控制任务分解为多步推理，约束LLM按交通规则和输出格式生成可执行相位动作；二是滚动决策与硬截止回退机制，提前一个周期预计算下一周期动作，避免在线推理时延阻塞信号执行；三是CAV速度引导算法，根据排队消散时间和有效绿灯窗口计算可行通过时间，并给出满足车辆动力学约束的引导速度与加速度；四是受控SUMO仿真与统计比较协议。
研究结果如下。5.1.1 不同CAV渗透率下的性能分析：LLM方法的平均等待时间随CAV渗透率从0上升到1而由50.42秒降至22.76秒；在100%渗透率下，其平均等待时间比LLM-noSG降低21.25%，平均停车次数由1.23降至1.16。5.1.2 时空轨迹分析：50%渗透率下，速度引导使车辆轨迹的持续低速与停车段明显缩短，但高需求时段仍存在低速排队。5.1.3 交通效率与速度稳定性影响：速度引导使平均速度提高31.4%，低速比例降低7.36个百分点，速度变异系数降低15.0%，进口总通过量增加3.2%。5.2 应急车辆场景结果分析：在0%、25%、50%、75%和100%渗透率下，LLM方法的平均等待时间与应急车辆平均等待时间均为最低；在0%渗透率下，应急车辆平均等待时间较六种对比方法低60.09%至77.68%。5.3 道路施工场景结果分析：在出口道一车道因施工封闭条件下，LLM方法在各渗透率下均获得最低平均等待时间；其平均等待时间从0%渗透率时的59.22秒降至100%时的35.35秒。5.4 消融与组件贡献分析：移除相位级状态表示主要降低决策质量；移除运行约束块在应急车辆场景中使应急车辆平均等待时间提高125.05%，在道路施工场景中使平均等待时间提高63.91%；移除输出结构约束使推理时间增至12.31秒，截止时间内有效响应比例降至69.84%；跨控制器对比显示速度引导的收益依赖于底层信号控制器与渗透率，并非独立可加组件。5.5 不同交通需求水平下的性能：在0%渗透率下，LLM方法仅在低需求时最优，在基线与高需求下不如UniTSA；在50%渗透率下，LLM方法在低、基线与高需求下均获得最低平均等待时间，分别为24.01秒、37.60秒和55.98秒。5.6 感知噪声下的鲁棒性分析：随着感知噪声标准差由0.10增至0.20，排队长度与占有率观测的相对平均绝对误差分别升至16.25%和16.11%，平均等待时间由无噪声时的37.60秒升至48.51秒，但燃油消耗与停车次数基本保持稳定。5.7 参数敏感性与在线计算响应：决策间隔取20秒时可在交通性能与在线动作可用性之间取得较好平衡；延长速度引导范围并非单调改善性能，150米作为引导范围折中值；禁用硬截止时间使平均等待时间降至31.48秒，但平均推理时间增至17.26秒，说明截止策略以放弃部分潜在动作为代价限制响应延迟。
讨论部分指出，速度引导对交通性能的影响并非独立递增，而是与底层信号控制逻辑和CAV渗透率密切相关；当引导改变CAV到达模式后，若信号策略不能及时重新匹配绿灯服务，可能产生负面效果。该研究存在局限性：仅针对单点孤立交叉口，无法保证真实路网整体效果；框架依赖远程API可用性，并受推理时延、响应变异以及无效或幻觉输出影响。研究结论可概括为：提出了一种面向混合交通流的LLM驱动交叉口信号控制方法，将相位决策与CAV速度引导协同优化，在受控SUMO仿真中表现出良好的延误控制能力，且优势随CAV信息可用性提高而增强；该方法可在不重新训练LLM参数的情况下适应应急车辆优先与道路施工等非经常性场景，并在感知噪声下保持可运行。未来研究应探索多交叉口协调、路线-信号-轨迹一体化优化以及多智能体异步决策。
