論文の概要: LLM-Augmented Traffic Signal Control with LSTM-Based Traffic State Prediction and Safety-Constrained Decision Support

• arxiv url: http://arxiv.org/abs/2604.23902v1
• Date: Sun, 26 Apr 2026 22:26:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.669801
• Title: LLM-Augmented Traffic Signal Control with LSTM-Based Traffic State Prediction and Safety-Constrained Decision Support
• Title（参考訳）: LSTMに基づく交通状態予測と安全制約決定支援によるLLM拡張交通信号制御
• Authors: Jiazhao Shi,
• Abstract要約: 本研究では,LSTMに基づく短期交通状態予測を統合したLLM拡張交通信号制御フレームワークを提案する。 提案手法は,特に動的かつ非再帰的な交通条件下での交通効率を向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic signal control is a critical task in intelligent transportation systems, yet conventional fixed-time and rule-based methods often struggle to adapt to dynamic traffic demand and provide limited decision interpretability. This study proposes an LLM-augmented traffic signal control framework that integrates LSTM-based short-term traffic state prediction, predictive phase selection, structured large language model reasoning, and safety-constrained action filtering. The LSTM module forecasts future queue length, waiting time, vehicle count, and lane occupancy based on recent intersection-level observations. A predictive controller then generates candidate signal actions, while the LLM module evaluates these actions using structured traffic-state inputs and produces congestion diagnoses, phase adjustment recommendations, and natural-language explanations. To ensure operational reliability, all LLM-generated recommendations are validated by a safety filter before execution. Simulation-based experiments in SUMO compare the proposed method with fixed-time control, rule-based control, and an LSTM-based predictive baseline under balanced demand, directional peak demand, and sudden surge scenarios. The results indicate that the proposed framework improves traffic efficiency, especially under dynamic and non-recurrent traffic conditions, while maintaining zero constraint violations after safety filtering. Overall, this study demonstrates that LLMs can enhance traffic signal control when used as constrained reasoning and decision-support modules rather than direct low-level controllers. Keywords: Intelligent Transportation Systems; Traffic Signal Control; Large Language Models; LSTM; Traffic State Prediction; Decision Support; Safety-Constrained Control; SUMO Simulation.
• Abstract（参考訳）: 交通信号制御はインテリジェント交通システムにおいて重要な課題であるが、従来の固定時間および規則に基づく手法は、しばしば動的な交通需要に適応し、限られた意思決定可能性を提供するのに苦労する。 本研究では,LSTMに基づく短期交通状態予測,予測位相選択,構造化された大規模言語モデル推論,安全制約された行動フィルタリングを統合したLLM拡張交通信号制御フレームワークを提案する。 LSTMモジュールは、最近の交差点レベルの観測に基づいて、今後の待ち時間、車両数、車線占有率を予測する。 LLMモジュールは、構造化されたトラフィック状態入力を用いてこれらの動作を評価し、混雑診断、位相調整勧告、自然言語説明を生成する。 運用上の信頼性を確保するため、LCM生成したレコメンデーションはすべて、実行前に安全フィルタによって検証される。 SUMOにおけるシミュレーションに基づく実験は,提案手法を固定時間制御,ルールベース制御,LSTMに基づく予測ベースラインと比較する。 提案手法は,特に動的かつ非リカレントな交通条件下では,安全フィルタリング後の制約違反をゼロに抑えながら,交通効率の向上を図っている。 本研究は,LLMが直接低レベルコントローラではなく,制約付き推論および決定支援モジュールとして使用する場合,交通信号制御を向上できることを実証する。 キーワード:知的交通システム、交通信号制御、大言語モデル、LSTM、交通状態予測、決定支援、安全制約制御、SUMOシミュレーション。

関連論文リスト

• Virtual Traffic Police: Large Language Model-Augmented Traffic Signal Control for Unforeseen Incidents [5.077053934708947]
  本稿では,Large Language Models (LLMs) を用いた既存の交通信号制御システムを強化する階層型フレームワークを提案する。 上層部の仮想交通警察エージェントは、リアルタイム交通事故に応じて下層部の信号制御装置の選択パラメータを動的に微調整する。 この結果から, LLM は従来の TSC 手法を交通事故に適応させることのできる, 信頼性の高い仮想交通警察官として機能することが示唆された。
  論文  参考訳（メタデータ） (2026-01-22T10:04:21Z)
• Enhancing LLM-based Autonomous Driving with Modular Traffic Light and Sign Recognition [15.4994260281059]
  大規模言語モデル(LLM)は、自律運転における意思決定と計画にますます利用されている。 LLMをベースとした自律走行エージェントを明示的な信号と信号認識で拡張するモジュール冗長層であるTLS-Assistを導入する。 LMDriveを14%,BEVDriverを7%,運転性能を14%向上させた。
  論文  参考訳（メタデータ） (2025-11-18T11:52:52Z)
• Smart Traffic Signals: Comparing MARL and Fixed-Time Strategies [0.0]
  都市交通渋滞、特に交差点での交通渋滞は、旅行時間、燃料消費および排出に大きな影響を及ぼす。 従来の固定時間信号制御システムは、動的トラフィックパターンを効果的に管理する適応性に欠けることが多い。 本研究では,複数交差点間の交通信号調整を最適化するためのマルチエージェント強化学習の適用について検討する。
  論文  参考訳（メタデータ） (2025-05-20T15:59:44Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• 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)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)

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。