LSTMによる交通状態予測と安全制約付き意思決定支援を組み込んだLLM強化型信号制御

arXiv cs.AI / 2026/4/28

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本研究は、LSTMベースの短期交通予測とLLMによる推論を統合し、固定時制御やルールベース手法に比べて適応性と説明可能性を高める、LLM強化型の信号制御フレームワークを提案しています。
LSTMは、キュー長、待ち時間、車両数、車線占有率といった交差点レベルの主要指標を予測し、それを基に予測コントローラが候補となる信号アクション（フェーズ）を生成します。
その後LLMが、構造化された交通状態入力を用いて候補アクションを評価し、渋滞診断、フェーズ調整の提案、自然言語による説明を出力します。
運用の信頼性を確保するために、安全制約付きのアクションフィルタでLLMの推奨を事前検証してから実行し、SUMOシミュレーションではフィルタ後に制約違反ゼロが報告されています。
バランス需要、方向別ピーク需要、突発的な急増といった複数シナリオで評価した結果、特に動的で非反復的な条件下で交通効率が改善し、LLMは低レベル制御器ではなく制約付き意思決定支援として用いることが示されています。

Abstract

交通信号制御はインテリジェント交通システムにおける重要な課題である一方、従来の固定サイクルやルールベースの手法では、動的な交通需要への適応に苦労することが多く、また意思決定の解釈可能性も限定的である。本研究は、LLM（大規模言語モデル）を拡張した交通信号制御フレームワークを提案する。このフレームワークは、LSTMベースの短期交通状態予測、予測に基づくフェーズ選択、構造化された大規模言語モデルによる推論、安全制約付きの行動フィルタリングを統合する。LSTMモジュールは、直近の交差点レベルの観測に基づいて、将来の車列長、待ち時間、車両台数、車線占有率を予測する。次に、予測型コントローラが候補となる信号アクションを生成し、LLMモジュールが構造化された交通状態入力を用いてそれらのアクションを評価し、渋滞の診断、フェーズ調整の推奨、ならびに自然言語による説明を出力する。運用上の信頼性を確保するため、LLMが生成したすべての推奨は、実行前に安全フィルタによって検証される。SUMOにおけるシミュレーション実験では、提案手法を固定サイクル制御、ルールベース制御、ならびにLSTMベースの予測型ベースラインと比較する。比較は、需要が均衡したシナリオ、方向別のピーク需要シナリオ、ならびに急な急増シナリオの下で行う。その結果、提案フレームワークは、動的で非反復的な交通条件、特にそのような状況下で交通効率を改善することが示される。さらに、安全フィルタリング後は制約違反がゼロに維持される。総じて本研究は、LLMは直接の低レベル制御器として用いるのではなく、安全制約付きの推論および意思決定支援モジュールとして用いることで、交通信号制御を強化し得ることを示している。 Keywords: Intelligent Transportation Systems; Traffic Signal Control; Large Language Models; LSTM; Traffic State Prediction; Decision Support; Safety-Constrained Control; SUMO Simulation。