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

1. Enunciato del Problema

Il controllo dei semafori è un componente critico dei Sistemi di Trasporto Intelligenti (ITS), tuttavia i metodi convenzionali presentano limitazioni significative:

• Metodi a tempo fisso e basati su regole: Faticano ad adattarsi a richieste di traffico dinamiche e non ricorrenti (ad esempio, picchi improvvisi, squilibri direzionali) e mancano della capacità di anticipare la congestione futura.
• Apprendimento per Rinforzo (RL): Sebbene i metodi RL basati sui dati (ad esempio, IntelliLight, CoLight) mostrino potenziale, spesso soffrono di scarsa generalizzazione su reti non viste, mancano di interpretabilità (agendo come "scatole nere") e sono puramente reattivi piuttosto che predittivi.
• Controllo diretto da LLM: Sebbene i Modelli Linguistici di Grande Dimensione (LLM) offrano ragionamento e interpretabilità, il loro utilizzo come controllori diretti di basso livello in tempo reale è insicuro a causa di potenziali latenze, incoerenza nell'output e incapacità di garantire rigorosamente i vincoli di sicurezza (ad esempio, tempo verde minimo, attraversamento pedonale).

Sfida Principale: Come sfruttare il ragionamento e l'interpretabilità degli LLM per migliorare il controllo adattivo del traffico senza compromettere la sicurezza operativa o le prestazioni in tempo reale.

2. Metodologia

Gli autori propongono un framework ibrido che posiziona l'LLM come modulo di supporto decisionale di alto livello piuttosto che come controllore diretto. Il sistema integra quattro componenti principali:

A. Rappresentazione e Previsione dello Stato del Traffico (LSTM)

• Input: Il sistema raccoglie dati in tempo reale dell'incrocio, inclusi lunghezza della coda ($q$), tempo di attesa accumulato ($w$), numero di veicoli ($n$), velocità media ($v$), occupazione della corsia ($o$) e fase semaforica corrente ($p$).
• Modello: Una rete Long Short-Term Memory (LSTM) viene addestrata per prevedere gli stati futuri del traffico a breve termine (orizzonte $H=60$ secondi) basandosi su una finestra storica ($K=120$ secondi).
• Output: Previsioni per le future lunghezze delle code, tempi di attesa e punteggi di domanda.

B. Controllore Semaforico Predittivo (Baseline)

• Un controllore predittivo utilizza le previsioni LSTM per calcolare un "punteggio di domanda" per ogni fase semaforica fattibile.
• Seleziona un'azione candidata (ad esempio, estendere il verde corrente o cambiare fase) che minimizza la congestione futura prevista. Questo funge da baseline per il confronto.

C. Supporto Decisionale Potenziato da LLM

• Ruolo: L'LLM agisce come motore di ragionamento, non come attuatore diretto.
• Input: Riceve un oggetto JSON strutturato contenente:
  • Stati del traffico correnti e previsti.
  • L'azione candidata generata dal controllore LSTM.
  • Vincoli operativi (tempo verde min/max, richieste pedonali, veicoli di emergenza).
• Funzione: L'LLM valuta l'azione candidata, diagnostica i modelli di congestione (ad esempio, squilibrio direzionale, rigurgito) e genera:
  • Una raccomandazione (accettare, rifiutare o regolare la durata).
  • Una spiegazione in linguaggio naturale per gli operatori umani.
  • Un flag di rischio.
• Meccanismo di Attivazione: Per ridurre i costi computazionali, l'LLM non viene chiamato ad ogni passo. Viene attivato solo quando le condizioni del traffico sono ambigue o anomale (ad esempio, crescita significativa della coda o piccole differenze nei punteggi di domanda tra le fasi).

D. Filtraggio delle Azioni Vincolato alla Sicurezza

• Componente Critico: Prima che qualsiasi azione venga eseguita, un filtro di sicurezza deterministico convalida la raccomandazione dell'LLM contro vincoli semaforici rigorosi ($C$).
• Logica:
  • Se la raccomandazione dell'LLM viola i vincoli (ad esempio, superare il tempo verde massimo), il sistema la modifica al valore fattibile più vicino o torna all'azione candidata LSTM originale.
  • Questo garantisce zero violazioni dei vincoli nell'esecuzione finale.

3. Contributi Chiave

1. Framework Innovativo: Propone un'architettura potenziata da LLM che combina la previsione temporale LSTM con il ragionamento strutturato degli LLM e un filtro di sicurezza, evitando le insidie dell'uso degli LLM come controllori diretti di basso livello.
2. Interpretabilità: A differenza del RL a scatola nera, il sistema fornisce spiegazioni in linguaggio naturale e diagnosi di congestione, rendendo le decisioni automatizzate trasparenti per i gestori del traffico umani.
3. Garanzia di Sicurezza: Introduce un filtro di sicurezza rigoroso che garantisce che tutte le azioni eseguite rispettino i vincoli operativi, affrontando la natura critica per la sicurezza del controllo del traffico.
4. Validazione Empirica: Dimostra che gli LLM forniscono il valore più significativo in scenari dinamici e non ricorrenti (picchi direzionali, picchi improvvisi) dove regole puramente numeriche o modelli predittivi standard faticano.

4. Risultati Sperimentali

Il framework è stato valutato in una simulazione microscopica SUMO in tre scenari: Domanda Bilanciata, Picco Direzionale e Picco Improvviso. È stato confrontato con le baseline a Tempo Fisso, Basate su Regole e Predittive LSTM.

Risultati Chiave:

• Miglioramenti delle Prestazioni: Il metodo potenziato da LLM ha superato tutte le baseline.
  • In condizioni di Picco Improvviso, ha ridotto il tempo di attesa medio del 14,4% e la lunghezza della coda dell'18,4% rispetto alla baseline solo LSTM.
  • I miglioramenti sono stati modesti nel traffico bilanciato ma sono diventati sostanziali man mano che le condizioni del traffico diventavano più irregolari.
• Studio di Ablazione:
  • La rimozione del modulo LLM ha comportato un calo netto delle prestazioni, confermando il suo valore nel ragionamento complesso.
  • La rimozione del filtro di sicurezza ha portato a un leggero aumento delle prestazioni ma ha introdotto un tasso di violazione dei vincoli del 4,8%, dimostrando che il filtro è essenziale per la sicurezza.
• Sicurezza e Affidabilità: Il sistema finale ha raggiunto 0% di violazioni dei vincoli in tutti gli scenari.
• Spiegabilità: Il tasso di validità delle spiegazioni LLM è rimasto superiore all'89%, indicando che il ragionamento generato era coerente con lo stato del traffico e le azioni finali.

5. Significato

Questo studio fornisce un percorso pratico per l'integrazione dell'Intelligenza Artificiale Generativa in infrastrutture critiche per la sicurezza. Dimostra che:

• Gli LLM sono più adatti come "co-piloti": Eccellono nel ragionamento di alto livello, nella diagnosi e nella spiegazione, ma non dovrebbero sostituire i livelli di sicurezza deterministici.
• Gli approcci ibridi sono superiori: La combinazione della previsione temporale del deep learning (LSTM) con il ragionamento semantico degli LLM produce una migliore adattabilità rispetto a ciascun metodo da solo.
• Prontezza per l'interazione uomo-in-anello: Fornendo spiegazioni interpretabili e garantendo i vincoli di sicurezza, questo framework colma il divario tra controllo automatizzato e fiducia umana, facilitando il dispiegamento di sistemi di traffico intelligenti di prossima generazione.