💻 computer science

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

Dieser Artikel schlägt ein durch LLM erweitertes Framework zur Steuerung von Verkehrssignalen vor, das LSTM-basierte Vorhersagen des Verkehrszustands mit sicherheitsbeschränkter Entscheidungsunterstützung integriert, um die Anpassungsfähigkeit und Interpretierbarkeit in dynamischen Verkehrsszenarien zu verbessern und gleichzeitig sicherzustellen, dass keine Betriebsverstöße auftreten.

Ursprüngliche Autoren: Jiazhao Shi

Veröffentlicht 2026-04-28

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Jiazhao Shi

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine belebte Kreuzung in einer Stadt als chaotische Küche während des Abendessens vor. Die Ampeln sind der Küchenchef, der versucht zu entscheiden, welche Gruppe von Köchen (Autos) als nächstes den Herd (die Straße) benutzen darf.

Lange Zeit haben Köche zwei Hauptstrategien angewendet:

Der feste Timer: Der Chef stellt einen Timer, damit die Nord-Süd-Köche 30 Sekunden arbeiten, dann die Ost-West-Köche für 30 Sekunden, egal wie viele Töpfe tatsächlich kochen. Das ist einfach, aber wenn die Nord-Süd-Schlange riesig ist und die Ost-West-Schlange leer, werden die Nord-Süd-Köche frustriert, während der Herd untätig bleibt.
Der reaktive Chef: Dieser Chef schaut sich die Töpfe gerade jetzt an. Wenn die Nord-Süd-Schlange lang ist, lässt er die Ampel grün. Aber er ist „blind" für das, was in der nächsten Minute den Flur entlangkommt.

Dieser Artikel schlägt einen neuen, intelligenteren Küchenmanager vor: ein durch LLM erweitertes Ampelsteuerungssystem. So funktioniert es, aufgeteilt in einfache Teile:

1. Die Glaskugel (LSTM-Vorhersage)

Zuerst verwendet das System ein Werkzeug namens LSTM (eine Art KI, die gut darin ist, Muster in der Zeit zu erkennen). Denken Sie daran als an eine Glaskugel.
Anstatt nur die Autos zu betrachten, die gerade an der Haltelinie stehen, betrachtet die Glaskugel den Verkehr der letzten paar Minuten und sagt voraus, was in der nächsten Minute passieren wird. Sie rät: „Oh, in 30 Sekunden kommt eine riesige Welle von Autos aus dem Norden, aber die Ostseite wird sich bald klären."

2. Der junge Sous-Chef (Prädiktiver Controller)

Basierend auf dieser Glaskugel-Vorhersage agiert ein Standardcomputerprogramm (der Prädiktive Controller) wie ein junger Sous-Chef. Es berechnet den besten Zug: „Da der Norden voller wird, lassen wir die Nord-Süd-Ampel etwas länger grün." Es trifft eine schnelle, mathematisch fundierte Entscheidung.

3. Der weise Küchenchef (Das LLM)

Hier kommt die neue Idee ins Spiel. Das System lässt den Sous-Chef nicht allein den endgültigen Entscheid treffen. Es gibt den Plan an ein Large Language Model (LLM) weiter, das wie ein weise Küchenchef agiert.

Der Küchenchef schaut nicht nur auf Zahlen; er liest eine „Geschichte" über den Verkehr. Er erhält einen Bericht, der sagt:

„Aktuelle Schlange: 16 Autos."
„Vorhersage: 24 Autos in 60 Sekunden."
„Plan des Sous-Chefs: Ampel grün lassen."

Der Küchenchef nutzt dann seine Denkfähigkeiten, um zu sagen:

Diagnose: „Ja, die Nordseite bekommt einen massiven Ansturm. Der Sous-Chef liegt richtig."
Empfehlung: „Lassen wir die Ampel länger grün, aber nicht zu lange, sonst blockieren wir die Fußgänger."
Erklärung: „Ich verlängere die Ampel, weil die Glaskugel einen Stau in der nächsten Minute vorhersagt, und wir müssen den Rückstau beseitigen, bevor er überläuft."

4. Der Sicherheitsinspektor (Sicherheitsfilter)

Dies ist der kritischste Teil. Große Sprachmodelle können manchmal geschwätzig sein oder Fehler machen. Wenn der Küchenchef etwas Gefährliches vorschlägt (wie „Lass die Ampel 10 Minuten lang durchgehend grün!"), hat das System einen Sicherheitsinspektor.

Der Inspektor prüft die Regeln: „Warte, die maximale Grünzeit beträgt 45 Sekunden. Das kannst du nicht machen."
Wenn die Idee des Küchenchefs gegen die Regeln verstößt, korrigiert der Inspektor sie oder lehnt sie ab und kehrt zum ursprünglichen, sicheren Plan des Sous-Chefs zurück. Dies stellt sicher, dass niemals unsichere Entscheidungen getroffen werden, selbst wenn die KI verwirrt ist.

Was haben sie herausgefunden?

Die Forscher testeten dies in einer Computersimulation (einer virtuellen Stadt) mit drei Verkehrsarten:

Normaler Verkehr: Alle fahren in einem gleichmäßigen Tempo.
Hauptverkehrszeit: Eine Richtung ist vollgepackt; die andere ist leer.
Plötzlicher Ansturm: Eine große Veranstaltung findet statt, und eine riesige Menge Autos taucht aus dem Nichts auf.

Die Ergebnisse:

Besser als die alten Methoden: Das neue System war viel besser als der „Feste Timer" und der „Reaktive Chef".
Der weise Küchenchef glänzt im Chaos: Wenn der Verkehr normal war, leistete die Glaskugel (LSTM) die meiste Arbeit. Aber als der Verkehr seltsam, plötzlich oder unausgewogen wurde (wie bei der Hauptverkehrszeit oder dem plötzlichen Ansturm), machte der weise Küchenchef (LLM) einen großen Unterschied. Er erkannte komplexe Situationen, die der rein mathematische Computer übersehen hätte, und reduzierte Wartezeiten und Staus erheblich.
Keine Sicherheitsverstöße: Dank des Sicherheitsinspektors verletzte das System niemals die Verkehrsregeln (wie Rotlichtverletzungen oder das Ignorieren von Fußgängern).

Die große Erkenntnis

Der Artikel argumentiert, dass wir einen „weisen Küchenchef" (LLM) nicht allein die Küche führen lassen sollten, weil er abgelenkt werden könnte oder unsichere Vermutungen anstellt. Stattdessen sollten wir sie als Berater einsetzen.

Lassen Sie die Mathematik (LSTM) die schwere Arbeit der Zukunftsvorhersage erledigen, lassen Sie den Küchenchef (LLM) erklären, warum eine Entscheidung sinnvoll ist, und fangen Sie knifflige Situationen auf, und lassen Sie den Sicherheitsinspektor sicherstellen, dass alle die Regeln befolgen. Diese Kombination schafft ein Verkehrssystem, das nicht nur effizient ist, sondern auch für Menschen leicht verständlich und vertrauenswürdig.

1. Problemstellung

Die Lichtsignalsteuerung ist ein kritischer Bestandteil intelligenter Verkehrssysteme (ITS), doch konventionelle Methoden stoßen auf erhebliche Grenzen:

Festzeit- und regelbasierte Methoden: Diese haben Schwierigkeiten, sich an dynamische, nicht wiederkehrende Verkehrsnachfragen (z. B. plötzliche Spitzen, gerichtete Ungleichgewichte) anzupassen, und verfügen nicht über die Fähigkeit, zukünftige Staus vorherzusehen.
Bestärkendes Lernen (Reinforcement Learning, RL): Obwohl datengetriebene RL-Methoden (z. B. IntelliLight, CoLight) vielversprechend sind, leiden sie häufig unter einer schlechten Generalisierung auf nicht gesehene Netzwerke, mangelnder Interpretierbarkeit (sie agieren als „Blackboxen") und sind rein reaktiv statt prädiktiv.
Direkte LLM-Steuerung: Obwohl Large Language Models (LLMs) Schlussfolgerungen und Interpretierbarkeit bieten, ist ihre Verwendung als direkte, niedrigstufige Echtzeitsteuerung aufgrund potenzieller Latenz, Inkonsistenz der Ausgaben und der Unfähigkeit, Sicherheitsbedingungen strikt zu garantieren (z. B. Mindestgrünzeit, Fußgängerüberweg), unsicher.

Kernherausforderung: Wie lässt sich die Schlussfolgerungs- und Interpretierbarkeit von LLMs nutzen, um die adaptive Verkehrssteuerung zu verbessern, ohne die operationale Sicherheit oder die Echtzeitleistung zu beeinträchtigen?

2. Methodik

Die Autoren schlagen ein hybrides Framework vor, das das LLM als Modul zur Entscheidungsunterstützung auf hoher Ebene und nicht als direkten Regler positioniert. Das System integriert vier Hauptkomponenten:

A. Darstellung und Vorhersage des Verkehrszustands (LSTM)

Eingabe: Das System erfasst Echtzeitdaten an Kreuzungen, einschließlich Warteschlangenlänge ( $q$ ), kumulierte Wartezeit ( $w$ ), Fahrzeuganzahl ( $n$ ), Durchschnittsgeschwindigkeit ( $v$ ), Fahrspurbesetzung ( $o$ ) und aktueller Signalphase ( $p$ ).
Modell: Ein Long Short-Term Memory (LSTM)-Netzwerk wird trainiert, um kurzfristige zukünftige Verkehrszustände (Horizont $H=60$ Sekunden) basierend auf einem historischen Fenster ( $K=120$ Sekunden) vorherzusagen.
Ausgabe: Vorhersagen für zukünftige Warteschlangenlängen, Wartezeiten und Nachfrage-Scores.

B. Prädiktiver Signalregler (Basislinie)

Ein prädiktiver Regler nutzt die LSTM-Vorhersagen, um einen „Nachfrage-Score" für jede machbare Signalphase zu berechnen.
Er wählt eine kandidierte Aktion (z. B. Verlängerung der aktuellen Grünphase oder Phasenwechsel) aus, die die vorhergesagte zukünftige Stausituation minimiert. Dies dient als Basislinie zum Vergleich.

C. LLM-gestützte Entscheidungsunterstützung

Rolle: Das LLM fungiert als Schlussfolgerungsmotor, nicht als direkter Aktor.
Eingabe: Es empfängt ein strukturiertes JSON-Objekt, das Folgendes enthält:
- Aktuelle und vorhergesagte Verkehrszustände.
- Die vom LSTM-Regler generierte kandidierte Aktion.
- Operationale Bedingungen (Min/Max-Grünzeit, Fußgängeranforderungen, Einsatzfahrzeuge).
Funktion: Das LLM bewertet die kandidierte Aktion, diagnostiziert Stausmuster (z. B. gerichtete Ungleichgewichte, Rückstau) und generiert:
- Eine Empfehlung (annehmen, ablehnen oder Dauer anpassen).
- Eine Erklärung in natürlicher Sprache für menschliche Operateure.
- Eine Risikoflagge.
Auslösemechanismus: Um die Rechenkosten zu senken, wird das LLM nicht bei jedem Schritt aufgerufen. Es wird nur ausgelöst, wenn die Verkehrsbedingungen mehrdeutig oder abnormal sind (z. B. signifikantes Wachstum der Warteschlangen oder geringe Unterschiede in den Nachfrage-Scores zwischen den Phasen).

D. Sicherheitsbedingte Aktionsfilterung

Kritische Komponente: Bevor eine Aktion ausgeführt wird, validiert ein deterministischer Sicherheitsfilter die Empfehlung des LLM gegen strikte Verkehrslichtbedingungen ( $C$ ).
Logik:
- Wenn die LLM-Empfehlung Bedingungen verletzt (z. B. Überschreitung der Maximalgrünzeit), modifiziert das System sie entweder auf den nächstmöglichen zulässigen Wert oder kehrt zur ursprünglichen LSTM-Kandidatenaktion zurück.
- Dies gewährleistet null Bedingungsverletzungen bei der endgültigen Ausführung.

3. Hauptbeiträge

Neuartiges Framework: Es wird eine LLM-ergänzte Architektur vorgeschlagen, die LSTM-Zeitreihenvorhersage mit strukturierter LLM-Schlussfolgerung und einem Sicherheitsfilter kombiniert und so die Fallstricke der Verwendung von LLMs als direkte niedrigstufige Regler vermeidet.
Interpretierbarkeit: Im Gegensatz zu Blackbox-RL liefert das System Erklärungen in natürlicher Sprache und Stausdiagnosen, was automatisierte Entscheidungen für menschliche Verkehrsmanager transparent macht.
Sicherheitsgewährleistung: Es wird ein rigoroser Sicherheitsfilter eingeführt, der garantiert, dass alle ausgeführten Aktionen den operationalen Bedingungen entsprechen, und damit die sicherheitskritische Natur der Verkehrssteuerung adressiert.
Empirische Validierung: Es wird gezeigt, dass LLMs den größten Mehrwert in dynamischen und nicht wiederkehrenden Szenarien (gerichtete Spitzen, plötzliche Spitzen) bieten, bei denen rein numerische Regeln oder Standardprädiktionsmodelle Schwierigkeiten haben.

4. Experimentelle Ergebnisse

Das Framework wurde in einer SUMO-Mikrosimulation unter drei Szenarien evaluiert: Ausgeglichene Nachfrage, Gerichtete Spitze und Plötzliche Spitze. Es wurde mit Festzeit-, Regelbasierten und LSTM-prädiktiven Basislinien verglichen.

Wichtige Erkenntnisse:

Leistungssteigerung: Die LLM-ergänzte Methode schnitt bei allen Basislinien besser ab.
- Unter Plötzliche-Spitze-Bedingungen reduzierte sie die durchschnittliche Wartezeit um 14,4 % und die Warteschlangenlänge um 18,4 % im Vergleich zur reinen LSTM-Basislinie.
- Die Verbesserungen waren bei ausgeglichenem Verkehr bescheiden, wurden jedoch erheblich, als die Verkehrsbedingungen unregelmäßiger wurden.
Ablationsstudie:
- Das Entfernen des LLM-Moduls führte zu einem deutlichen Leistungsabfall, was seinen Wert bei komplexer Schlussfolgerung bestätigt.
- Das Entfernen des Sicherheitsfilters führte zu einer leichten Leistungssteigerung, führte jedoch zu einer Bedingungsverletzungsrate von 4,8 %, was beweist, dass der Filter für die Sicherheit unerlässlich ist.
Sicherheit & Zuverlässigkeit: Das endgültige System erreichte 0 % Bedingungsverletzungen über alle Szenarien hinweg.
Erklärbarkeit: Die Validitätsrate der LLM-Erklärungen lag konstant über 89 %, was darauf hindeutet, dass die generierte Schlussfolgerung mit dem Verkehrszustand und den endgültigen Aktionen konsistent war.

5. Bedeutung

Diese Studie bietet einen praktischen Weg zur Integration von Generativer KI in sicherheitskritische Infrastrukturen. Sie zeigt, dass:

LLMs am besten als „Co-Piloten" geeignet sind: Sie glänzen bei hochrangiger Schlussfolgerung, Diagnose und Erklärung, sollten aber keine deterministischen Sicherheitsschichten ersetzen.
Hybride Ansätze überlegen sind: Die Kombination der Zeitreihenvorhersage des Deep Learning (LSTM) mit der semantischen Schlussfolgerung von LLMs führt zu einer besseren Anpassungsfähigkeit als jede Methode allein.
Bereitschaft für den Mensch-im-Loop-Einsatz: Durch die Bereitstellung interpretierbarer Erklärungen und die Gewährleistung von Sicherheitsbedingungen überbrückt dieses Framework die Lücke zwischen automatisierter Steuerung und menschlichem Vertrauen und erleichtert den Einsatz intelligenter Verkehrssysteme der nächsten Generation.