Multimodalt och multi-agent förstärkningsinlärningsramverk för prognoser av stadstrafikflöden och optimering av signalstyrning

Varför smartare trafikljus är viktiga

Den som suttit igenom en rad röda ljus eller krupit fram längs en tilltäppt stadsgata vet hur ineffektiv stadstrafik kan vara. Utöver irritationen förbrukar stillastående bilar bränsle och släpper ut växthusgaser och föroreningar i luften. Denna artikel presenterar ett nytt sätt att hantera stadstrafik som betraktar signaler som ett koordinerat, lärande nätverk i stället för fasta tidsinställningar, med målet att förflytta människor snabbare samtidigt som trängsel och utsläpp minskas.

En stad som känner och förstår sin trafik

Forskarna föreslår ett system kallat MM-STMAP som ger staden ett slags digitalt nervsystem. I stället för att förlita sig enbart på enkla fordonsräkningar samlar det in flera typer av data samtidigt: trafikflöden, hastigheter, väderförhållanden som regn eller dimma och särskilda dagar som helger. Dessa skilda signaler rengörs, kombineras och omvandlas till en enhetlig beskrivning av vad som händer på vägarna. Genom att till exempel känna igen att en regnig helgrusning beter sig annorlunda än en vanlig vardag kan systemet bättre förutse hur trafiken kommer att utvecklas de närmaste minuterna.

Se mönster i rum och tid

Trafikproblem sitter sällan bara vid ett enda korsning; de sprider sig genom ett helt vägnät. MM-STMAP fångar detta genom att representera stadens vägar och korsningar som ett nät av sammankopplade punkter och sedan lära sig hur förhållanden sprider sig över det nätet över tid. Det använder flerskiktade beräkningar som först ser hur angränsande gator påverkar varandra och sedan hur dessa påverkan förändras från ett tidssteg till nästa. En särskilt utformad ”attention”-mekanism gör det möjligt för modellen att koncentrera sin beräkningskraft på de mest relevanta perioderna i historiken—som gårdagens rusningstid vid samma tid—utan att bli överväldigad när datamängderna växer. Det gör det praktiskt att bearbeta långvariga sensordata från stora stadnät.

Trafikljus som lär tillsammans

Ovanpå denna prediktiva motor bygger författarna ett inlärningsbaserat styrsystem för trafiksignaler. Varje korsning behandlas som en intelligent agent som kan välja hur länge grönt eller rött ska hållas i olika riktningar. Dessa agenter arbetar inte isolerat: de delar information om den bredare trafikbilden och tränas tillsammans så att deras individuella beslut understöder ett jämnt flöde i hela nätverket. Inlärningsprocessen belönar mönster som ökar antalet fordon som passerar, minskar genomsnittliga väntetider och reducerar det start-stopp-beteende som slösar bränsle, samtidigt som den bestraffar konfigurationer som skapar långa köer och förseningar.

Sätta systemet på prov

För att undersöka om MM-STMAP ger verkliga fördelar testade teamet det på stora, verkliga datamängder från Los Angeles-regionen. Dessa data innehåller tiotusentals prover från motorvägs- och stads sensorer, tillsammans med realistiska problem som saknade mätvärden, brusiga mätningar och oregelbundna trafikmönster. Jämfört med flera toppmoderna prognosmodeller och med traditionella signalstyrningssystem—fasta scheman och lokalt reaktiva ljus—gav det nya tillvägagångssättet mer precisa korttidsprognoser och effektivare signalstyrning. Det minskade vanliga felmått för prognoser med ungefär en tredjedel jämfört med dagens bäst presterande fasta och aktuatorstyrda system, och i simuleringar minskade det genomsnittliga förseningar och antalet stopp samtidigt som fler fordon per timme kunde passera nätverket.

Vad detta betyder för vardagliga förare

Enkelt uttryckt beskriver MM-STMAP en framtid där trafikljus samarbetar och kontinuerligt lär av erfarenhet i stället för att blint följa hårdkodade cykler. Genom att förutse var köer är på väg att bildas och justera signaltiming över flera korsningar kan systemet förkorta restider, jämna ut start-stopp-trafik och minska onödig tomgångskörning. Även om tillvägagångssättet fortfarande står inför utmaningar—såsom behovet av tillförlitliga data och betydande beräkningsresurser i stadsomfattning—pekar det mot smartare, renare urban rörlighet där våra dagliga pendlingar inte bara blir snabbare utan också skonsammare för miljön.

Citering: Wang, R., Zhang, J., Wang, X. et al. Multi-modal and multi-agent reinforcement learning framework for urban traffic flow prediction and signal control optimization. Sci Rep 16, 7612 (2026). https://doi.org/10.1038/s41598-026-37722-5

Nyckelord: stadstrafik, trafikprognos, förstärkningsinlärning, smarta trafikljus, intelligent transport