Graftransformator Q-nätverk för samverkande styrning och decentraliserat beslutsfattande i nätverk med flera korsningar

Varför smartare trafikljus spelar roll

Alla som kör i en stad känner igen frustrationen när man möter rött ljus efter rött ljus, även när vägen ser fri ut. De där stop-and-go-vågorna är mer än en irritation: de slösar tid, förbrukar bränsle och kan fastlåsa hela korridorer när köer backar upp genom flera korsningar. Denna studie undersöker ett nytt sätt att få trafikljus att "prata" med varandra så att gröna vågor bildas mer pålitligt över långa vägsträckor, även när trafiken är oförutsägbar och gatunätet är stort och komplext.

Hur stadsgator blir ett nätverk

Forskarna börjar med att betrakta ett stadsvägnät som ett nätverk av sammankopplade punkter. Varje korsning är en nod och varje väg mellan dem är en länk. Varje signalstyrenhet ser bara vad lokala sensorer rapporterar: hur många fordon som väntar, hur länge de har varit fördröjda och vilken fas som för närvarande är grön. Ingen styrenhet har en fullständig bild av staden på en gång, ändå påverkar varje ljusbyte trafiken som senare når andra korsningar. Utmaningen är att låta dessa lokala styrenheter samarbeta så att fordon kan färdas längs en korridor med så få onödiga stopp som möjligt, samtidigt som sidogator och svängande trafik tjänas.

Lära ljusen att samarbeta steg för steg

I stället för handgjorda tidsscheman använder författarna förstärkningsinlärning, där en algoritm lär sig genom att pröva åtgärder i en trafiksimulator och observera resultaten. Varje korsning agerar som en agent som väljer vilken fas som ska visas härnäst och hur länge. Den centrala nyheten är en metod kallad Graph Transformer Q-Network, eller GTQN, som avgör vilka närliggande korsningar som är viktigast vid varje ögonblick. Det sker i två steg: först väljs en liten uppsättning inflytelserika uppströms- eller nedströmsgrannar, och därefter tilldelas var och en en grad av påverkan baserat på det aktuella trafikläget. Detta förhindrar att styrenheten överväldigas av brusig information från avlägsna noder som har liten inverkan på dess egna strömmar.

Följa trafiken över rum och tid

För att skapa en jämn grön våg behöver ett ljus förutse fordon som släppts iväg flera korsningar bort och som kan ta många sekunder att anlända. GTQN hanterar detta genom att kombinera information om nätverkets struktur med en historik över hur förhållandena förändrats över tid. En transformer-modul, ursprungligen känd från språkmodeller, används för att se tillbaka över den senaste historien vid varje korsning och välja vilka tidigare ögonblick som är viktiga för det nuvarande beslutet. Samtidigt resonerar en grafmodul över kopplingarna mellan korsningarna. Genom att förena rum och tid i en modell kan systemet lära sig hur fordonsskvadroner rör sig längs en korridor och hur gröna perioder bäst matchas med deras ankomst.

Sätta mål bortom ett enskilt hörn

Om varje trafikljus enbart försökte tömma sin egen kö skulle hela korridoren kunna prestera dåligt. Till exempel skulle ett nedströmsljus kunna avbryta en grön period i förtid, vilket hindrar en grupp fordon som anländer från uppströms från att passera utan att stanna. För att undvika detta utformar författarna ett tvånivåmål. Varje korsning belönas fortfarande för att minska sina egna köer och väntetider, men en central träningssignal straffar också extra stopp som fordon upplever när de färdas längs huvudkorridoren efter att ha lämnat inpasseringspunkten. Under träning använder en central "styrnings"-modul detta korridorövergripande mått för att vägleda inlärningen. Efter träning agerar de lärda styrenheterna lokalt och delar endast sparsamma, riktade meddelanden med sina utvalda grannar.

Vad simuleringarna visar

Teamet testar GTQN i detaljerade simuleringar av både syntetiska rutnät och ett verkligt stadsnät från Chengdu, Kina, inklusive ett system med 100 korsningar. Jämfört med flera avancerade fleragentstyrningsmetoder minskar GTQN hur ofta fordon måste stanna, förkortar väntetider och hindrar köer från att bli så långa att de blockerar uppströms korsningar. Det behåller också rimlig prestanda när vissa meddelanden mellan korsningar fördröjs eller går förlorade, en viktig egenskap för verkliga kommunikationsnät. Noggranna ablationsstudier visar att varje del i designen spelar roll: inlärd sällsynthet, den kombinerade rum-tid-modellen och den centraliserade träningssignalen bidrar alla till robust samordning.

Vad detta betyder för vardagsresor

För bilförare, cyklister och bussresenärer är idén bakom arbetet enkel: i stället för att varje trafikljus verkar isolerat lär sig signalerna längs en korridor att förutse varandra och att skydda rörelsen för grupper av fordon. I högupplösta simuleringar leder detta till färre stopp, kortare köer och jämnare hastigheter längs trafikerade stråk. Studien är fortfarande begränsad till en virtuell miljö och hanterar ännu inte fotgängare, prioritet för kollektivtrafik eller alla praktiska egenskaper hos verklig hårdvara, men den visar att noggrant utformat samarbete mellan många lokala styrenheter kan förvandla en kaotisk följd av rödljus till en mer förutsägbar och effektiv resa.

Citering: Zhang, H. Graph transformer Q-network for collaborative governance and decentralized decision-making in multi-intersection networks. Sci Rep 16, 15549 (2026). https://doi.org/10.1038/s41598-026-45895-2

Nyckelord: styrning av trafiksignaler, fleragent-förstärkningsinlärning, graftransformator, korridorprogression, intelligent transport