EvolveSignal: LLM ベースのコーディングエージェントを用いた交通信号制御戦略の自動発見

arXiv:2509.03335v3 Announce Type: replace 要約：交通工学において、固定時間の交通信号制御は、低コスト、安定性、および解釈可能性の低さに基づき広く採用されています。しかし、その設計は手作業で作られた式（例えば、Webster の式）および人間のエンジニアによる手動の再タイミングに依存しており、要求の変化に適応させるためには労働集約的であり、異質や混雑した条件下ではしばしば最適結果を示さないとされています。この論文では、固定時間の交通信号制御の解釈可能な直感的戦略を自動的に発見するための、LLM 駆動のコーディングエージェント「EvolveSignal」を導入します。既存の解析的表記を完全に新規に導出するのではなく、提案された枠組みは既存の制御ロジックのコードレベルの変異を探査し、効果的な直感的修正の組み合わせを同定することに焦点を当てています。我々は、候補戦略を固定された入力出力構造を持つ Python 関数として表現し、外部の評価（例えば、交通シミュレーター）および進化論的搜索を反復的に行うことでプログラム合成の問題として問題を定式化しました。信号付き交差点における実験は、発見された戦略が古典的な基準（Webster の方法）を超えることを示し、平均遅延を 20.1％、平均停止を 47.1％削減しました。性能以外にも、消融および増分解析は、EvolveSignal がサイクル長の制限を調整し、右回りの需要を取り込み、緑時間の割り当てを再スケールするなど、意味のある修正を同定できることが示され、これが交通工学家のための有益な洞察を提供するに至ることを明らかにしました。この工作は、LLM 駆動のプログラム合成が、解釈可能なかつ自動化された直感的設計を支持する潜在的な可能性を強調しています。

arXiv:2509.03335v3 Announce Type: replace Abstract: In traffic engineering, fixed-time traffic signal control remains widely used for its low cost, stability, and interpretability. However, its design relies on hand-crafted formulas (e.g., Webster) and manual re-timing by engineers to adapt to demand changes, which is labor-intensive and often yields suboptimal results under heterogeneous or congested conditions. This paper introduces EvolveSignal, an LLM-powered coding agent for automatically discovering interpretable heuristic strategies for fixed-time traffic signal control. Rather than deriving entirely new analytical formulations, the proposed framework focuses on exploring code-level variations of existing control logic and identifying effective combinations of heuristic modifications. We formulate the problem as program synthesis, where candidate strategies are represented as Python functions with fixed input-output structures and iteratively optimized through external evaluations (e.g., a traffic simulator) and evolutionary search. Experiments on a signalized intersection demonstrate that the discovered strategies outperform a classical baseline (Webster's method), reducing average delay by 20.1\% and average stops by 47.1\%. Beyond performance, ablation and incremental analyses reveal that EvolveSignal can identify meaningful modifications, such as adjusting cycle length bounds, incorporating right-turn demand, and rescaling green allocations, that provide useful insights for traffic engineers. This work highlights the potential of LLM-driven program synthesis for supporting interpretable and automated heuristic design in traffic signal control.