LLM-Augmented Traffic Signal Control with LSTM-Based Traffic State Prediction and Safety-Constrained Decision Support

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "التحكم في إشارات المرور المعزز بالنماذج اللغوية الكبيرة (LLM) باستخدام التنبؤ بحالة المرور القائم على شبكات LSTM ودعم القرار المقيد بالسلامة."

1. بيان المشكلة

يعد التحكم في إشارات المرور مكوناً حيوياً في أنظمة النقل الذكية (ITS)، ومع ذلك تواجه الطرق التقليدية قيوداً كبيرة:

• الطرق ذات التوقيت الثابت والقائمة على القواعد: تعاني هذه الطرق في التكيف مع متطلبات حركة المرور الديناميكية وغير المنتظمة (مثل الزيادات المفاجئة، أو عدم التوازن في الاتجاهات) وتفتقر إلى القدرة على استباق الازدحام المستقبلي.
• التعلم التعزيزي (RL): رغم أن طرق التعلم التعزيزي القائمة على البيانات (مثل IntelliLight وCoLight) تظهر نتائج واعدة، إلا أنها غالباً ما تعاني من ضعف التعميم عبر الشبكات غير المرئية، وتفتقر إلى القابلية للتفسير (تعمل كـ "صناديق سوداء")، وهي رد فعل بحت وليست تنبؤية.
• التحكم المباشر عبر النماذج اللغوية الكبيرة (LLM): رغم أن النماذج اللغوية الكبيرة توفر قدرات الاستنتاج والقابلية للتفسير، إلا أن استخدامها كمتحكمات مباشرة ومنخفضة المستوى في الوقت الفعلي يعد أمراً غير آمن بسبب احتمالية التأخير (latency)، وعدم اتساق المخرجات، وعدم القدرة على ضمان قيود السلامة بصرامة (مثل الحد الأدين للوقت الأخضر، أو عبور المشاة).

التحدي الجوهري: كيف يمكن الاستفادة من قدرات الاستنتاج والتفسير التي توفرها النماذج اللغوية الكبيرة لتعزيز التحكم التكيفي في حركة المرور دون المساس بالسلامة التشغيلية أو الأداء في الوقت الفعلي.

2. المنهجية

يقترح المؤلفون إطار عمل هجين يضع النموذج اللغوي الكبير (LLM) كموديول لدعم القرار عالي المستوى بدلاً من كونه متحكماً مباشراً. يدمج النظام أربعة مكونات رئيسية:

أ. تمثيل حالة المرور والتنبؤ بها (LSTM)

• المدخلات: يجمع النظام بيانات التقاطع في الوقت الفعلي بما في ذلك طول الطابور ($q$)، وقت الانتظار المتراكم ($w$)، عدد المركبات ($n$)، متوسط السرعة ($v$)، إشغال الحارة ($o$)، وطور الإشارة الحالي ($p$).
• النموذج: يتم تدريب شبكة الذاكرة الطويلة قصيرة المدى (LSTM) للتنبؤ بحالات المرور المستقبلية قصيرة المدى (الأفق $H=60$ ثانية) بناءً على نافذة تاريخية ($K=120$ ثانية).
• المخرجات: تنبؤات لأطوال الطوابير المستقبلية، وأوقات الانتظار، ودرجات الطلب.

ب. متحكم الإشارات التنبئي (الأساس/Baseline)

• يستخدم المتحكم التنبئي توقعات الـ LSTM لحساب "درجة الطلب" لكل طور إشارة ممكن.
• يقوم باختيار إجراء مرشح (على سبيل المثال: تمديد الوقت الأخضر الحالي أو تغيير الأطوار) لتقليل الازدحام المستقبلي المتوقع. يعمل هذا كنموذج أساس للمقارنة.

ج. دعم القرار المعزز بالنماذج اللغوية الكبيرة (LLM)

• الدور: يعمل الـ LLM كمحرك استنتاج، وليس كمشغل مباشر.
• المدخلات: يستقبل كائناً مهيكلاً بصيغة JSON يحتوي على:
  • حالة المرور الحالية والمتوقعة.
  • الإجراء المرشح الذي ولّده متحكم LSTM.
  • القيود التشغيلية (الحد الأدنى/الأقصى للوقت الأخضر، طلبات المشاة، مركبات الطوارئ).
• الوظيفة: يقوم الـ LLM بتقييم الإجراء المرشح، وتشخيص أنماط الازدحام (مثل عدم التوازن في الاتجاهات، أو ارتداد الطوابير/Spillback)، ويقوم بتوليد:
  • توصية (قبول، رفض، أو تعديل المدة).
    يدخل في عملية التفسير بلغة طبيعية للمشغلين البشريين.
  • علامة خطر (Risk flag).
• آلية التفعيل: لتقليل التكلفة الحسابية، لا يتم استدعاء الـ LLM في كل خطوة، بل يتم تفعيله فقط عندما تكون ظروف المرور غامضة أو غير طبيعية (مثل نمو كبير في الطوابير أو فروق صغيرة في درجات الطلب بين الأطوار).

د. تصفية الإجراءات المقيدة بالسلامة

• مكون حرج: قبل تنفيذ أي إجراء، يقوم مرشح سلامة حتمي بالتحقق من توصية الـ LLM مقابل قيود إشارات المرور الصارمة ($C$).
• المنطق:
  • إذا كانت توصية الـ LLM تنتهك القيود (مثل تجاوز الحد الأقصى للوقت الأخضر)، يقوم النظام إما بتعديلها إلى أقرب قيمة ممكنة أو العودة إلى إجراء الـ LSTM المرشح الأصلي.
  • يضمن ذلك عدم وجود أي انتهاكات للقيود في التنفيذ النهائي.

3. المساهمات الرئيسية

1. إطار عمل مبتكر: يقترح بنية معززة بالـ LLM تجمع بين التنبؤ الزمني لـ LSTM والاستنتاج الهيكلي للـ LLM مع مرشح سلامة، مما يتجنب عيوب استخدام الـ LLM كمتحكمات منخفضة المستوى مباشرة.
2. القابلية للتفسير: على عكس نماذج التعلم التعزيزي (RL) التي تعمل كصناديق سوداء، يوفر النظام تفسيرات بلغة طبيعية وتشخيصات للازدحام، مما يجعل القرارات الآلية شفافة لمديري المرور البشريين.
   គេ
3. ضمان السلامة: يقدم مرشح سلامة صارم يضمن التزام جميع الإجراءات المنفذة بالقيود التشغيلية، مما يعالج الطبيعة الحرجة للسلامة في التحكم في حركة المرور.
4. التحقق التجريبي: يثبت أن النماذج اللغوية الكبيرة تقدم القيمة الأكبر في السيناريوهات الديناميكية وغير المنتظمة (ذروة الاتجاهات، الزيادات المفاجئة) حيث تجد القواعد الرقمية البحتة أو النماذج التنبؤية القياسية صعوبة في التعامل.

4. النتائج التجريبية

تم تقييم إطار العمل في محاكاة مجهرية باستخدام برنامج SUMO تحت ثلاثة سيناريوهات: الطلب المتوازن، ذروة الاتجاه، والزيادة المفاجئة. تمت مقارنته مع نماذج الأساس: التوقيت الثابت، القائم على القواعد، والنموذج التنبئي لـ LSTM.

النتائج الرئيسية:

• مكاسب الأداء: تفوق المنهج المعزز بالـ LLM على جميع النماذج الأساسية.
  • في ظروف الزيادة المفاجئة (Sudden Surge)، خفض متوسط وقت الانتظار بنسبة 14.4% وطول الطابور بنسبة 18.4% مقارنة بنموذج LSTM وحده.
  • كانت التحسينات طفيفة في حركة المرور المتوازنة، لكنها أصبحت جوهرية مع زيادة عدم انتظام ظروف المرور.
• دراسة الاستئصال (Ablation Study):
  • أدى إزالة وحدة الـ LLM إلى انخفاض واضح في الأداء، مما يؤكد قيمتها في الاستنتاج المعقد.
  • أدت إزالة مرشح السلامة إلى زيادة طفيفة في الأداء ولكنها تسببت في معدل انتهاك للقيود بنسبة 4.8%، مما يثبت أن المرشح ضروري للسلامة.
• السلامة والموثوقية: حقق النظام النهائي 0% من انتهاكات القيود عبر جميع السيناريوهات.
• القابلية للتفسير: ظل معدل صحة تفسيرات الـ LLM فوق 89%، مما يشير إلى أن الاستنتاج المولد كان متسقاً مع حالة المرور والإجراءات النهائية.

5. الأهمية

تقدم هذه الدراسة مساراً عملياً لدمج الذكاء الاصطناعي التوليدي في البنية التحتية الحساسة للسلامة. وهي تثبت أن:

• النماذج اللغوية الكبيرة هي الأفضل كـ "مساعد طيار" (Co-pilots): فهي تتفوق في الاستنتاج عالي المستوى، والتشخيص، والتفسير، ولكن لا ينبغي لها استبدال طبقات السلامة الحتمية.
• النهج الهجين هو الأفضل: الجمع بين التنبؤ الزمني للتعلم العميق (LSTM) والاستنتاج الدلالي للنماذج اللغوية الكبيرة (LLM) يحقق قدرة على التكيف أفضل من استخدام أي منهما بمفرده.
• الجاهزية لوجود الإنسان في الحلقة (Human-in-the-loop): من خلال توفير تفسيرات قابلة للتفسير وضمان قيود السلامة، يجسّر هذا الإطار الفجوة بين التحكم الآلي وثقة الإنسان، مما يسهل نشر أنظمة المرور الذكية من الجيل القادم.