論文の概要: EvoSignal: LLM-Guided Evolutionary Design of Modular Traffic Signal Control Programs

• arxiv url: http://arxiv.org/abs/2610.09563v1
• Date: Wed, 07 Oct 2026 07:04:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.770345
• Title: EvoSignal: LLM-Guided Evolutionary Design of Modular Traffic Signal Control Programs
• Title（参考訳）: EvoSignal: モジュール交通信号制御プログラムのLLM誘導進化設計
• Abstract要約: 本稿では,モジュール型プログラム設計問題として TSC を定式化する。 交通知識と性能フィードバックを用いたLLM誘導進化フレームワークであるEvoSignalを提案する。
• 参考スコア（独自算出の注目度）: 13.336756283783458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective traffic signal control (TSC) requires policies that respond to changing traffic demand and network conditions while meeting different control objectives. However, adapting existing strategies often involves repeated manual design and adjustment, making it difficult to systematically explore better control rules for a target network. Large language models (LLMs) can automate this process, but directly using them to select signal phases leaves decision rules embedded in black-box models and incurs recurring inference costs and latency. This paper formulates TSC as a modular program design problem and proposes EvoSignal, an LLM-guided evolutionary framework using traffic knowledge and performance feedback. The modular representation separates traffic feature extraction, local phase prioritization, and optional network-based priority adjustment. Starting from several established strategies, EvoSignal improves programs through feedback on congestion and signal operation, retaining strategies with different performance trade-offs. The resulting programs operate without online LLM inference. Simulation experiments across five scenarios on two real-world road networks show that the selected default EvoSignal program reduces waiting time by 16.8--49.2\% relative to the lowest waiting time achieved by the 20 conventional, reinforcement learning-based, and LLM-based baselines in each scenario. A program prioritizing travel time and queue length outperforms all 20 baselines on all three metrics in the search scenario and remains among the top three on each metric when transferred unchanged to the other four scenarios. These findings support automated design of inspectable control programs that transfer across the evaluated road networks and traffic demands.Code is available at https://github.com/georgewanglz2019/EvoSignal.
• Abstract（参考訳）: 効果的な交通信号制御(TSC)は、異なる制御目標を満たしながら、交通需要やネットワーク条件の変化に対応するポリシーを必要とする。 しかし、既存の戦略を適用するには、しばしば手動の設計と調整を繰り返すため、ターゲットネットワークに対するより良い制御ルールを体系的に探索することは困難である。 大規模言語モデル(LLM)はこのプロセスを自動化できるが、信号フェーズを直接選択するために使用すると、ブラックボックスモデルに組み込まれた決定ルールが残され、繰り返し発生する推論コストと遅延が発生する。 本稿では,TLCをモジュール型プログラム設計問題として定式化し,交通知識と性能フィードバックを用いたLLM誘導進化フレームワークであるEvoSignalを提案する。 モジュラー表現は、トラフィックの特徴抽出、局所位相優先順位付け、オプションのネットワークベースの優先順位調整を分離する。 いくつかの確立した戦略から始まり、EvoSignalは渋滞や信号操作に対するフィードバックを通じてプログラムを改善し、異なるパフォーマンストレードオフを持つ戦略を維持する。 プログラムはオンラインLLM推論なしで動作する。 2つの実世界の道路ネットワーク上でのシミュレーション実験により、選択されたデフォルトのEvoSignalプログラムは、従来の20の強化学習ベースとLLMベースのベースラインによって達成された最低待ち時間に対して、待ち時間を16.8～49.2パーセント削減することを示した。 移動時間と待ち行列の長さを優先順位付けするプログラムは、検索シナリオの3つのメトリクスすべてで20のベースラインを上回り、他の4つのシナリオに変換された場合、各メトリクスの上位3つに留まる。 これらの発見は、評価された道路ネットワークと交通需要を横断する検査可能な制御プログラムの自動設計をサポートし、コードはhttps://github.com/georgewanglz2019/EvoSignal.comで公開されている。

関連論文リスト

• VLALight: A Vision-Language-Action Model for Traffic Signal Control [10.509444461771695]
  VLALightは,マルチビュー・ロードサイド・ビデオからエンドツーエンドの信号制御を行う最初の視覚言語アクション(VLA)モデルである。 我々は,視覚的交通理解と信号決定のための2段階の冷間開始訓練戦略を開発した。 3つの都市ネットワークにまたがる7つの実世界のトラフィックフローデータセットの実験により、VLALightは、輸送ベース、RLベース、LLM/VLMベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-09-29T07:48:08Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• 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)
• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• Enhancing Traffic Signal Control through Model-based Reinforcement Learning and Policy Reuse [0.9995933996287355]
  マルチエージェント強化学習(MARL)は交通信号制御(TSC)において有意な可能性を示した 現在のMARLベースの手法は、訓練中に使用する固定された交通パターンと道路網条件により、一般化が不十分な場合が多い。 この制限により、新しいトラフィックシナリオへの適応性が低下し、高い再トレーニングコストと複雑なデプロイメントが発生します。 我々はPLightとPRLightの2つのアルゴリズムを提案する。PLightはモデルに基づく強化学習アプローチを採用し、事前定義されたソースドメイントラフィックシナリオを用いて制御ポリシーと環境モデルを事前訓練する。PRLightはさらに、事前学習されたPLightエージェントの類似性に基づいて適応性を向上させる。
  論文  参考訳（メタデータ） (2025-03-11T01:21:13Z)
• Cross-domain Multi-step Thinking: Zero-shot Fine-grained Traffic Sign Recognition in the Wild [49.20086587208214]
  クロスドメイン マルチステップシンキング (CdMT) は、野生におけるゼロショットきめ細かなトラフィックサイン認識(TSR)の性能を改善することを提案した。 CdMTはトレーニングデータとは独立であり、単純で均一な命令のみを必要とするため、クロスカントリーのTSRを実現することができる。 フレームワークは5つのデータセット上の他の最先端メソッドよりも優れたパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2024-09-03T02:08:47Z)
• Reinforcement Learning for Adaptive Traffic Signal Control: Turn-Based and Time-Based Approaches to Reduce Congestion [2.733700237741334]
  本稿では,交差点における信号処理の強化にReinforcement Learning(強化学習)を用いることについて検討する。 本稿では,リアルタイム待ち行列長に基づく信号の動的優先順位付けを行うターンベースエージェントと,交通条件に応じた信号位相長の調整を行うタイムベースエージェントの2つのアルゴリズムを紹介する。 シミュレーションの結果、両RLアルゴリズムは従来の信号制御システムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-28T12:35:56Z)
• 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)
• 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。