論文の概要: Chat2SPaT: A Large Language Model Based Tool for Automating Traffic Signal Control Plan Management

• arxiv url: http://arxiv.org/abs/2507.05283v1
• Date: Fri, 04 Jul 2025 11:10:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.181357
• Title: Chat2SPaT: A Large Language Model Based Tool for Automating Traffic Signal Control Plan Management
• Title（参考訳）: Chat2SPaT:交通信号制御計画管理を自動化する大規模言語モデルベースツール
• Authors: Yue Wang, Miao Zhou, Guijing Huang, Rui Zhuo, Chao Yi, Zhenliang Ma,
• Abstract要約: 本研究では,Chat2SPaTを提案する。Chat2SPaTは,ユーザの信号制御計画に関する半構造化および曖昧な記述を,正確な信号位相とタイミングに変換する手法である。 プロンプトにより、Chat2SPaTはユーザーの計画記述を理解するための大きな言語モデル(LLM)の機能を利用する。 pythonスクリプトは、サイクル内のフェーズを特定し、トラフィック信号制御のニュアンスに対処し、最終的に完全なトラフィック信号制御計画を組み立てるように設計されている。
• 参考スコア（独自算出の注目度）: 3.452954870246681
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pre-timed traffic signal control, commonly used for operating signalized intersections and coordinated arterials, requires tedious manual work for signaling plan creating and updating. When the time-of-day or day-of-week plans are utilized, one intersection is often associated with multiple plans, leading to further repetitive manual plan parameter inputting. To enable a user-friendly traffic signal control plan management process, this study proposes Chat2SPaT, a method to convert users' semi-structured and ambiguous descriptions on the signal control plan to exact signal phase and timing (SPaT) results, which could further be transformed into structured stage-based or ring-based plans to interact with intelligent transportation system (ITS) software and traffic signal controllers. With curated prompts, Chat2SPaT first leverages large language models' (LLMs) capability of understanding users' plan descriptions and reformulate the plan as a combination of phase sequence and phase attribute results in the json format. Based on LLM outputs, python scripts are designed to locate phases in a cycle, address nuances of traffic signal control, and finally assemble the complete traffic signal control plan. Within a chat, the pipeline can be utilized iteratively to conduct further plan editing. Experiments show that Chat2SPaT can generate plans with an accuracy of over 94% for both English and Chinese cases, using a test dataset with over 300 plan descriptions. As the first benchmark for evaluating LLMs' capability of understanding traffic signal control plan descriptions, Chat2SPaT provides an easy-to-use plan management pipeline for traffic practitioners and researchers, serving as a potential new building block for a more accurate and versatile application of LLMs in the field of ITS. The source codes, prompts and test dataset are openly accessible at https://github.com/yuewangits/Chat2SPaT.
• Abstract（参考訳）: 信号化交差点と協調動脈の操作に一般的に使用される事前の信号制御は、信号計画の作成と更新のための面倒な手作業を必要とする。 日毎または日毎の計画を利用する場合、1つの交差点は複数の計画と関連付けられ、さらに繰り返し手動の計画パラメータが入力される。 ユーザフレンドリーな交通信号制御計画管理プロセスを実現するために,Chat2SPaTを提案する。信号制御計画に関する半構造化および曖昧な記述を信号位相とタイミング(SPaT)結果に変換する手法で,さらに,知的交通システム(ITS)ソフトウェアや交通信号制御装置と対話するためのステージベースまたはリングベースプランに変換することができる。 Chat2SPaTは、まず、ユーザの計画記述を理解し、jsonフォーマットのフェーズシーケンスとフェーズ属性の組み合わせとしてプランを再構成する大きな言語モデル(LLM)機能を利用する。 LLM出力に基づいて、ピソンスクリプトは、サイクル内の位相を特定し、トラフィック信号制御のニュアンスに対処し、最終的に完全なトラフィック信号制御計画を組み立てるように設計されている。 チャット内では、パイプラインを反復的に利用して、さらなる計画編集を行うことができる。 実験によると、Chat2SPaTは300以上のプラン記述を持つテストデータセットを使用して、英語と中国語のケースで94%以上の精度でプランを生成することができる。 交通信号制御計画記述を理解するためのLLMの能力を評価する最初のベンチマークとして、Chat2SPaTは、交通従事者や研究者にとって使いやすい計画管理パイプラインを提供し、ITS分野におけるLLMのより正確で汎用的な応用のための、潜在的に新しいビルディングブロックとして機能する。 ソースコード、プロンプト、テストデータセットはhttps://github.com/yuewangits/Chat2SPaTで公開されている。

関連論文リスト

• Learning to Reason and Navigate: Parameter Efficient Action Planning with Large Language Models [63.765846080050906]
  本稿では,大規模言語モデル (PEAP-LLM) を用いたパラメータ効率の高いアクションプランナを提案する。 実験により,提案したREVERIEモデルが従来の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-12T12:38:20Z)
• Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
  大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。 近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。 完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
  論文  参考訳（メタデータ） (2024-11-21T04:23:17Z)
• Nl2Hltl2Plan: Scaling Up Natural Language Understanding for Multi-Robots Through Hierarchical Temporal Logic Task Representation [8.180994118420053]
  Nl2Hltl2Planは自然言語コマンドを階層線形時間論理(LTL)に変換するフレームワーク まず、LLMは命令を階層的なタスクツリーに変換し、論理的および時間的関係をキャプチャする。 次に、微調整されたLLMは、サブタスクをフラットな公式に変換し、階層的な仕様に集約する。
  論文  参考訳（メタデータ） (2024-08-15T14:46:13Z)
• ChatSOP: An SOP-Guided MCTS Planning Framework for Controllable LLM Dialogue Agents [52.7201882529976]
  対話エージェントの制御性を高めるため,SOP誘導モンテカルロ木探索(MCTS)計画フレームワークを提案する。 これを実現するために、GPT-4oを用いた半自動ロールプレイシステムを用いて、SOPアノテーション付きマルチシナリオ対話からなるデータセットをキュレートする。 また、SOP予測のための教師付き微調整と思考の連鎖推論を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-04T12:23:02Z)
• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Taurus: A Data Plane Architecture for Per-Packet ML [59.1343317736213]
  本稿では,線数推論のためのデータプレーンであるTaurusの設計と実装について述べる。 Taurus スイッチ ASIC の評価は,Taurus がサーバベースコントロールプレーンよりも桁違いに高速に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-12T09:18:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。