OverFlowLight：实时防止城市路口交通瘫痪与信号灯优化

背景

城市交通拥堵的严重后果之一是排队溢出（Queue Overflow）。当车辆排队长度超过路口的通行能力时，溢出车辆会阻塞上游交通，进而引发连锁反应，导致大面积的交通瘫痪（Gridlock）。

现有的交通信号控制（Traffic Signal Control, TSC）算法主要优化目标是吞吐量（Throughput），即在单位时间内通过路口的车辆数量。然而，在高峰时段，这些算法往往无法有效处理排队溢出问题，反而可能加剧拥堵，甚至引发安全隐患。传统的专家调优信号计划通常需要大量的人工干预，且难以应对动态变化的交通状况。

在此背景下，研究团队提出了 OverFlowLight，这是一个旨在预防排队溢出并增强整体交通信号控制性能的实时框架。

核心内容

OverFlowLight 是一个数据驱动的实时框架，其核心设计逻辑在于“预防优于治疗”。它不仅仅关注常规的车辆通行效率，更专注于在溢出发生前或发生时进行干预。

1. 多模态感知的实时溢出检测

OverFlowLight 首先引入了一种机制，利用来自摄像头和雷达的多模态传感器数据，准确、实时地检测路口是否发生排队溢出。这种多模态融合提高了检测的鲁棒性和准确性，能够区分正常的排队等待和危险的溢出状态。

2. 动态插入专用溢出相位

一旦检测到溢出风险或溢出状态，系统会动态生成并插入专门的**溢出相位（Overflow Phases）**到当前的信号周期中。这些专用相位旨在快速清除阻塞的队列，防止溢出进一步扩散至上游路口。

3. 混合控制架构

OverFlowLight 采用了一种混合控制设计，结合了两种不同时间尺度的控制策略：

• 快速规则干预：基于规则的溢出干预机制，用于快速响应紧急情况，防止即时瘫痪。
• 强化学习（RL）后端控制器：用于更长时间尺度的效率优化。这种混合设计既保证了应对突发溢出的速度，又维持了长期的交通流效率。

4. 模块化集成与实证部署

该框架被设计为模块化，能够无缝集成到现有的基于强化学习（RL）的交通信号控制代理中。研究团队在三个主要城市的 43 个路口 进行了广泛的实地部署。实证结果显示：

• 与已部署的基线方法相比，OverFlowLight 将溢出事件减少了 60.4%。
• 网络吞吐量增加了 18.2%。
• 大幅减少了传统专家调优信号计划中常见的人工干预需求。

关键要点

• 问题定义：现有 TSC 算法过度关注吞吐量，忽视了排队溢出这一导致交通瘫痪的关键因素。
• 技术核心：
  • 利用摄像头和雷达的多模态数据进行实时溢出检测。
  • 动态生成并插入专用信号相位以清除阻塞队列。
  • 采用“规则干预 + 强化学习”的混合控制架构，兼顾响应速度与长期效率。
• 性能提升：
  • 溢出事件减少 60.4%。
  • 网络吞吐量提升 18.2%。
• 实用价值：
  • 具有高度的模块化和可扩展性，可与现有 RL 控制代理集成。
  • 在 43 个真实路口的部署证明了其实际适用性。
  • 显著降低了对人工专家调优的依赖。

意义与影响

OverFlowLight 代表了交通信号控制领域的一个重要进展，它是首个实用、可扩展且数据驱动的主动防止交通瘫痪框架。

1. 从被动响应到主动预防：传统方法多在拥堵形成后进行调整，而 OverFlowLight 通过实时检测和专用相位插入，实现了在溢出发生前的主动预防。
2. 增强城市交通系统的韧性：通过减少溢出和瘫痪风险，该框架有助于构建更具韧性和效率的城市交通系统，特别是在高峰时段和复杂路口。
3. 推动 AI 在交通领域的落地：其模块化设计使得现有的强化学习控制算法能够更容易地集成溢出预防功能，降低了新技术部署的门槛，为大规模城市交通优化提供了可行的技术路径。

这项工作不仅解决了具体的技术难题，也为未来智能交通系统（ITS）的发展提供了关键组件，有助于缓解日益严峻的城市交通拥堵问题。