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

1. Probleemstelling

Verkeerslichtregeling is een kritisch onderdeel van Intelligent Transportation Systems (ITS), maar conventionele methoden ondervinden aanzienlijke beperkingen:

• Vastgestelde tijden en regelgebaseerde methoden: Deze hebben moeite om zich aan te passen aan dynamische, niet-terugkerende verkeersvragen (bijvoorbeeld plotselinge pieken, directionele onevenwichtigheden) en missen het vermogen om toekomstige files te anticiperen.
• Versterkend leren (RL): Hoewel datagedreven RL-methoden (bijvoorbeeld IntelliLight, CoLight) veelbelovend zijn, lijden ze vaak onder slechte generalisatie over onbekende netwerken, gebrek aan interpreteerbaarheid (ze fungeren als "black boxes") en zijn ze puur reactief in plaats van voorspellend.
• Directe LLM-besturing: Hoewel Large Language Models (LLM's) redeneer- en interpreteerbaarheidsvoordelen bieden, is het gebruik ervan als directe, laag-niveau realtime besturing onveilig vanwege potentiële latentie, inconsistentie in output en het onvermogen om veiligheidsbeperkingen strikt te garanderen (bijvoorbeeld minimale groene tijd, voetgangersoversteek).

Kernuitdaging: Hoe het redeneren en de interpreteerbaarheid van LLM's te benutten om adaptieve verkeersregeling te verbeteren zonder operationele veiligheid of realtime prestaties te compromitteren.

2. Methodologie

De auteurs stellen een hybride raamwerk voor dat de LLM positioneert als een hoog-niveau beslissingsondersteuningsmodule in plaats van een directe controller. Het systeem integreert vier hoofdbestanddelen:

A. Representatie en Voorspelling van Verkeersstatus (LSTM)

• Input: Het systeem verzamelt realtime kruispuntgegevens, waaronder wachtrijlengte ($q$), opgebouwde wachttijd ($w$), aantal voertuigen ($n$), gemiddelde snelheid ($v$), baanbezetting ($o$) en huidige verkeerslichtfase ($p$).
• Model: Een Long Short-Term Memory (LSTM)-netwerk wordt getraind om korte-termijn toekomstige verkeersstatussen te voorspellen (horizon $H=60$ seconden) op basis van een historisch venster ($K=120$ seconden).
• Output: Voorspellingen voor toekomstige wachtrijlengtes, wachttijden en vraagcores.

B. Voorspellende Verkeerslichtcontroller (Basislijn)

• Een voorspellende controller gebruikt de LSTM-voorspellingen om een "vraagcore" te berekenen voor elke haalbare verkeerslichtfase.
• Het selecteert een kandidaatactie (bijvoorbeeld huidige groen verlengen of fases wisselen) die de voorspelde toekomstige congestie minimaliseert. Dit dient als basislijn voor vergelijking.

C. LLM-Augmented Beslissingsondersteuning

• Rol: De LLM fungeert als een redeneermotor, niet als een directe actuator.
• Input: Het ontvangt een gestructureerd JSON-object met daarin:
  • Huidige en voorspelde verkeersstatussen.
  • De kandidaatactie gegenereerd door de LSTM-controller.
  • Operationele beperkingen (min/max groene tijd, voetgangersverzoeken, hulpvoertuigen).
• Functie: De LLM evalueert de kandidaatactie, diagnoseert congestiepatronen (bijvoorbeeld directionele onevenwichtigheden, opstuwing) en genereert:
  • Een aanbeveling (accepteren, verwerpen of duur aanpassen).
  • Een natuurlijke taalverklaring voor menselijke operators.
  • Een risicovlag.
• Triggermechanisme: Om de rekenkosten te verlagen, wordt de LLM niet bij elke stap opgeroepen. Het wordt alleen getriggerd wanneer verkeersomstandigheden dubbelzinnig of abnormaal zijn (bijvoorbeeld significante wachtrijgroei of kleine verschillen in vraagcores tussen fases).

D. Veiligheidsbeperkte Actiefiltering

• Kritiek Component: Voordat een actie wordt uitgevoerd, valideert een deterministische veiligheidsfilter de aanbeveling van de LLM tegen strikte verkeerslichtbeperkingen ($C$).
• Logica:
  • Als de LLM-aanbeveling beperkingen schendt (bijvoorbeeld het overschrijden van de maximale groene tijd), past het systeem deze aan naar de dichtstbijzijnde haalbare waarde of keert terug naar de oorspronkelijke LSTM-kandidaatactie.
  • Dit garandeert nul beperkingsschendingen in de uiteindelijke uitvoering.

3. Belangrijkste Bijdragen

1. Nieuw Raamwerk: Stelt een LLM-augmenteerde architectuur voor die LSTM-tijdsvoorspelling combineert met gestructureerde LLM-redenering en een veiligheidsfilter, waardoor de valkuilen van het gebruik van LLM's als directe laag-niveau controllers worden vermeden.
2. Interpreteerbaarheid: In tegenstelling tot black-box RL, biedt het systeem natuurlijke taalverklaringen en congestiediagnoses, waardoor geautomatiseerde beslissingen transparant worden voor menselijke verkeersmanagers.
3. Veiligheidsgarantie: Introduceert een rigoureuze veiligheidsfilter die garandeert dat alle uitgevoerde acties voldoen aan operationele beperkingen, waarmee wordt ingespeeld op de veiligheidskritische aard van verkeersregeling.
4. Empirische Validatie: Toont aan dat LLM's de grootste meerwaarde bieden in dynamische en niet-terugkerende scenario's (directionele pieken, plotselinge pieken) waar puur numerieke regels of standaard voorspellende modellen moeite hebben.

4. Experimentele Resultaten

Het raamwerk werd geëvalueerd in een SUMO microscopische simulatie onder drie scenario's: Gebalanceerde Vraag, Directionele Pieken en Plotselinge Pieken. Het werd vergeleken met Fixed-Time, Regelgebaseerde en LSTM-Voorspellende basislijnen.

Belangrijkste Bevindingen:

• Prestatiewinst: De LLM-augmenteerde methode presteerde beter dan alle basislijnen.
  • Onder Plotselinge Pieken condities verlaagde het de gemiddelde wachttijd met 14,4% en de wachtrijlengte met 18,4% vergeleken met de alleen-LSTM basislijn.
  • Verbeteringen waren bescheiden bij gebalanceerd verkeer, maar werden aanzienlijk naarmate de verkeersomstandigheden onregelmatiger werden.
• Ablatiestudie:
  • Het verwijderen van de LLM-module resulteerde in een duidelijke prestatiedaling, wat de waarde bevestigt in complex redeneren.
  • Het verwijderen van de veiligheidsfilter leidde tot een lichte prestatieverbetering, maar introduceerde een 4,8% schendingspercentage van beperkingen, wat bewijst dat de filter essentieel is voor veiligheid.
• Veiligheid & Betrouwbaarheid: Het uiteindelijke systeem behaalde 0% beperkingsschendingen in alle scenario's.
• Verklaarbaarheid: De validiteitsgraad van de LLM-verklaringen bleef boven de 89%, wat aangeeft dat de gegenereerde redenering consistent was met de verkeersstatus en de uiteindelijke acties.

5. Betekenis

Deze studie biedt een praktische route voor het integreren van Generatieve AI in veiligheidskritieke infrastructuur. Het toont aan dat:

• LLM's het beste geschikt zijn als "co-pilots": Ze blinken uit in hoog-niveau redeneren, diagnose en uitleg, maar moeten geen deterministische veiligheidslagen vervangen.
• Hybride benaderingen superieur zijn: Het combineren van tijdsvoorspelling van diep leren (LSTM) met semantische redenering van LLM's levert betere aanpasbaarheid op dan welke methode dan ook alleen.
• Klaarheid voor mens-in-de-lus: Door interpreteerbare verklaringen te bieden en veiligheidsbeperkingen te waarborgen, overbrugt dit raamwerk de kloof tussen geautomatiseerde besturing en menselijk vertrouwen, waardoor de implementatie van intelligente verkeerssystemen van de volgende generatie wordt vergemakkelijkt.