用于城市交通流量预测和信号控制优化的多模态多智能体强化学习框架

为什么更智能的交通灯很重要

任何在一连串红灯中等待或在拥堵的市区街道上缓慢前行过的人，都能体会到城市交通的低效率。除了令人沮丧之外，怠速的车辆还会浪费燃料，并向空气中排放温室气体和污染物。本文提出了一种新的城市交通管理方法，将信号视为一个协同学习的网络，而不是固定的定时器，目标是在减少拥堵和排放的同时更快地运输人员。

一个能感知并理解交通的城市

研究人员提出了一个名为 MM-STMAP 的系统，为城市赋予一种数字神经系统。它不只是依赖简单的车辆计数，而是同时整合多种数据：交通流量、速度、降雨或雾霾等天气状况，以及节假日等特殊日期。这些多样化的信号经过清洗、融合，转化为对道路状况的统一描述。例如，当系统识别出雨天节假日高峰与普通工作日不同，它就能更好地预判未来几分钟内交通的演变。

在时空中识别模式

交通问题很少局限于某个路口；它们会在整张道路网络中扩散。MM-STMAP 通过将城市道路和路口表示为互联点的网络来捕捉这种特性，然后学习这些条件如何随时间在网络中传播。它采用分层计算，先考察相邻街道如何相互影响，再观察这些影响如何从一个时间步变化到下一个时间步。一个专门设计的“注意力”机制使模型能够在历史数据中将计算资源集中在最相关的片段上——例如与当前时段相同的昨日高峰——而不会随着数据量增长而陷入效率低下。这使得处理来自大型城市网络的长期传感器流成为可能。

一起学习的交通信号灯

在这个预测引擎之上，作者构建了一个基于学习的信号控制系统。每个路口被视为一个智能体，可以决定在不同方向上保持绿灯或红灯的时长。这些智能体并非孤立工作：它们共享更广泛的交通信息，并共同训练，使得各自的决策有助于整个网络的顺畅通行。学习过程奖励那些提高车辆通行数量、减少平均等待时间并降低浪费燃料的走停行为的策略，同时惩罚会造成长队和延误的配置。

将系统付诸测试

为了检验 MM-STMAP 是否确有优势，团队在洛杉矶地区的大规模真实数据集上进行了测试。这些数据涵盖来自高速公路和城市传感器的数万条样本，并包含缺失读数、噪声测量和不规则交通模式等现实问题。与若干最先进的预测模型以及传统的信号控制方案（固定时序和局部响应式信号）相比，新方法在短期交通预测上更准确，并能实现更高效的信号配时。相对于当前表现最好的固定与感应系统，它将预测常用误差指标降低了约三分之一，在仿真中还减少了平均延误和停车次数，同时每小时通过路网的车辆数量增加。

这对日常驾驶者意味着什么

通俗地说，MM-STMAP 描绘了一个交通灯相互协作并持续从经验中学习的未来，而不是盲目地遵循硬编码的周期。通过预判拥堵即将形成的地点并跨多个路口调整信号时序，系统可以缩短行程时间、平滑走停交通并减少不必要的怠速。虽然该方法仍面临挑战，例如需要可靠的数据和在城市规模上大量计算资源，但它指向了更智能、更清洁的城市出行，使我们的日常通勤不仅更快，也更环保。

引用: 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

关键词: 城市交通, 交通预测, 强化学习, 智能信号, 智能交通