論文の概要: HiLLTS: Zero-Shot Hierarchical LLM-Guided Traffic Signal Control for Sustainable Transportation

• arxiv url: http://arxiv.org/abs/2607.22691v1
• Date: Fri, 17 Jul 2026 14:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.029212
• Title: HiLLTS: Zero-Shot Hierarchical LLM-Guided Traffic Signal Control for Sustainable Transportation
• Title（参考訳）: HiLLTS:サステナブルトランスポートのためのゼロショット階層LLM誘導信号制御
• Abstract要約: 都市交通渋滞は燃料消費、温室効果ガス排出量、通勤遅延を著しく増加させる。 階層型3層アーキテクチャを用いたLLM誘導信号制御フレームワークであるHiLLTSを提案する。 実験の結果, 渋滞と環境性能の両面において一貫した改善が認められた。
• 参考スコア（独自算出の注目度）: 4.812918991091311
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Urban traffic congestion significantly increases fuel consumption, greenhouse gas emissions, and commuter delays, resulting in substantial economic losses and environmental harm in modern cities. Traditional traffic signal control strategies such as fixed-time scheduling, actuated control, and reinforcement learning (RL)-based methods, offer different degrees of adaptability; however, RL-based methods can require extensive retraining, careful reward design, and substantial simulation data when transferred across networks or demand regimes. To address these challenges, we propose HiLLTS, an LLM-guided traffic signal control framework that employs a hierarchical three-layer architecture consisting of a central coordination agent, a district layer and multiple cluster-level intersection agents. Experimental results demonstrate consistent improvements in both congestion and environmental performance. Compared with the strongest non-LLM baseline in each scenario, HiLLTS reduces average waiting time by 36.73% under the low-congestion scenario and 14.71% under the high-congestion scenario, while reducing average CO2 emissions by 7.87% and 8.57%, respectively. Larger gains are observed against weaker baselines: under low congestion, HiLLTS achieves reductions of up to 18.00% in emissions and 62.07% in waiting time relative to Fixed-Time control; under high congestion, reductions of up to 28.89% in emissions and 40.36% in waiting time are observed relative to Max Pressure. The ablation study further validates the contribution of LLM-guided coordination over rule-based control
• Abstract（参考訳）: 都市交通渋滞は燃料消費、温室効果ガス排出、通勤遅延を著しく増加させ、現代の都市では経済的損失と環境被害をもたらす。 固定時間スケジューリング、アクティベート制御、強化学習(RL)ベースの手法といった従来の交通信号制御戦略は、異なる適応性を提供するが、RLベースの手法では、ネットワークや需要体制間で転送される際には、広範囲なリトレーニング、注意深い報酬設計、相当なシミュレーションデータが必要となる。 これらの課題に対処するために,中央調整エージェント,地区層,クラスタレベルの複数交差点エージェントからなる階層型3層アーキテクチャを用いたLLM誘導信号制御フレームワークであるHiLLTSを提案する。 実験の結果, 渋滞と環境性能の両面において一貫した改善が認められた。 各シナリオにおいて最強の非LLMベースラインと比較して、HiLLTSは低混雑シナリオでは平均待ち時間を36.73%、高混雑シナリオでは14.71%削減し、平均CO2排出量は7.87%と8.57%削減した。 低混雑下では、HiLLTSは最大18.00%の排出削減と62.07%の待機時間を実現し、高混雑下では最大28.89%の排出削減と46%の待機時間が観測される。 アブレーション研究は、ルールベース制御に対するLLM誘導協調の寄与をさらに検証する

関連論文リスト

• Reinforcement Learning-Based Traffic Signal Control for IoT-Enabled Intersections [0.0]
  交通信号システムは、スマートシティインフラストラクチャ内のネットワーク化されたサイバー物理コンポーネントとして、ますます多くデプロイされている。 本稿では,クウェートの信号化都市交差点における適応信号運用におけるエッジ・インテリジェント手法としての強化学習について検討する。
  論文  参考訳（メタデータ） (2026-06-20T15:44:01Z)
• CuraLight: Debate-Guided Data Curation for LLM-Centered Traffic Signal Control [25.292538507972868]
  交通信号制御はインテリジェントトランスポートシステム(ITS)のコアコンポーネントである 強化学習(RL)と大規模言語モデル(LLM)に基づく最近のアプローチは適応性を改善したが、それでも限定的な解釈性に悩まされている。 本稿では,LL エージェントが LLM ベースの信号制御装置の微調整を支援するフレームワークである CuraLight を提案する。
  論文  参考訳（メタデータ） (2026-04-07T10:05:43Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• Harnessing Implicit Cooperation: A Multi-Agent Reinforcement Learning Approach Towards Decentralized Local Energy Markets [41.99844472131922]
  分散エージェントは、明示的なピアツーピア通信なしで、ローカルエネルギー市場における最適調整を近似することができる。 スティグマイシンシグナリングは複雑なグリッドコーディネートに十分なコンテキストを提供し、高価な集中型通信インフラに代わる堅牢でプライバシー保護の代替を提供する。
  論文  参考訳（メタデータ） (2026-02-17T22:22:32Z)
• A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
  トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。 従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。 本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-12-09T11:54:09Z)
• Robust Single-Agent Reinforcement Learning for Regional Traffic Signal Control Under Demand Fluctuations [5.784337914162491]
  交通渋滞は、主に交差点の待ち行列によって引き起こされ、都市生活水準、安全性、環境品質、経済効率に大きな影響を及ぼす。 本研究では,地域適応型TSCのための新しい単エージェント強化学習フレームワークを提案する。 このフレームワークは堅牢な反ゆらぎ能力を示し、待ち時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2025-11-01T13:18:50Z)
• Joint Pedestrian and Vehicle Traffic Optimization in Urban Environments using Reinforcement Learning [11.107470982920262]
  強化学習は適応的な交通信号制御に重要な可能性を秘めている。 本研究では,現実世界の都市回廊に沿った8つの交通信号の適応制御のための深いRLフレームワークを提案する。 その結果、従来の固定時間信号よりも大幅に性能が向上した。
  論文  参考訳（メタデータ） (2025-04-07T12:41:58Z)
• Large-scale Regional Traffic Signal Control Based on Single-Agent Reinforcement Learning [5.1129002613887105]
  本稿では,単一エージェント強化学習(RL)に基づく地域交通信号制御モデルを提案する。 このモデルは、広域交通渋滞を緩和し、総走行時間を最小化することを目的として、広範囲にわたる交通信号を調整することができる。 SUMO交通シミュレーションソフトウェアを用いて実験を行った。
  論文  参考訳（メタデータ） (2025-03-12T10:51:29Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Deep Reinforcement Learning-based Intelligent Traffic Signal Controls with Optimized CO2 emissions [6.851243292023835]
  交通ネットワークは、人間の健康や環境に悪影響を及ぼし、交通渋滞に寄与する準最適制御政策の課題に直面している。 文献における適応的な信号制御装置はいくつかあるが、それらの比較性能について限定的な研究がなされている。 EcoLightは,CO2排出量を削減するだけでなく,旅行時間などの指標で競合する結果が得られる強化学習アルゴリズムの報酬形成手法である。
  論文  参考訳（メタデータ） (2023-10-19T19:54:47Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)

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。