Chat2SPaT: A Large Language Model Based Tool for Automating Traffic Signal Control Plan Management

📄 arXiv: 2507.05283v1 📥 PDF

作者: Yue Wang, Miao Zhou, Guijing Huang, Rui Zhuo, Chao Yi, Zhenliang Ma

分类: cs.AI, cs.CL

发布日期: 2025-07-04

🔗 代码/项目: GITHUB

💡 一句话要点

Chat2SPaT：基于大语言模型的交通信号控制方案自动管理工具

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 交通信号控制 大语言模型 自然语言处理 智能交通系统 方案管理

📋 核心要点

  1. 现有交通信号控制方案管理依赖手动输入，效率低且易出错，难以适应复杂时段和多方案场景。
  2. Chat2SPaT利用大语言模型理解用户对信号控制方案的自然语言描述，并将其转换为精确的SPaT结果。
  3. 实验结果表明，Chat2SPaT在英语和中文场景下均能达到超过94%的方案生成准确率，显著提升效率。

📝 摘要（中文）

预设时段的交通信号控制，常用于信号交叉口和协调干道的运行，需要在信号方案的创建和更新上进行繁琐的手工操作。当采用按时段或按星期的方案时，一个交叉口通常与多个方案相关联，导致更重复的手动方案参数输入。为了实现用户友好的交通信号控制方案管理流程，本研究提出了Chat2SPaT，一种将用户对信号控制方案的半结构化和模糊描述转换为精确的信号相位和配时(SPaT)结果的方法，这些结果可以进一步转换为结构化的基于阶段或基于环的方案，以与智能交通系统(ITS)软件和交通信号控制器交互。通过精心设计的提示，Chat2SPaT首先利用大型语言模型(LLM)理解用户方案描述的能力，并将方案重新表述为json格式的相位序列和相位属性结果的组合。基于LLM的输出，设计了Python脚本来定位周期中的相位，解决交通信号控制的细微差别，并最终组装完整的交通信号控制方案。在聊天中，该流程可以迭代地用于进行进一步的方案编辑。实验表明，使用包含300多个方案描述的测试数据集，Chat2SPaT可以为英语和中文案例生成准确率超过94%的方案。作为评估LLM理解交通信号控制方案描述能力的首个基准，Chat2SPaT为交通从业者和研究人员提供了一个易于使用的方案管理流程，作为LLM在ITS领域中更准确和通用的应用的一个潜在的新构建块。源代码、提示和测试数据集可在https://github.com/yuewangits/Chat2SPaT上公开访问。

🔬 方法详解

问题定义：交通信号控制方案的制定和更新通常需要人工完成，尤其是在采用时段或星期方案时，一个交叉口可能对应多个方案，导致重复性的手动参数输入。现有方法效率低下，容易出错，且难以适应复杂的交通状况和控制需求。

核心思路：利用大型语言模型（LLM）的自然语言理解能力，将用户对信号控制方案的半结构化、甚至模糊的描述转化为精确的信号相位和配时（SPaT）结果。通过人机交互的方式，允许用户以自然语言描述控制方案，降低了专业门槛，提高了方案管理的效率。

技术框架：Chat2SPaT包含以下几个主要模块：1) 自然语言理解模块：利用LLM理解用户对交通信号控制方案的描述，并将其转化为结构化的JSON格式，包含相位序列和相位属性。2) 方案解析模块：基于LLM的输出，使用Python脚本定位周期中的相位，处理交通信号控制的细节问题。3) 方案组装模块：将解析后的相位信息组装成完整的交通信号控制方案。4) 迭代优化模块：通过聊天交互，允许用户对生成的方案进行迭代编辑和优化。

关键创新：该方法的核心创新在于将大型语言模型应用于交通信号控制方案的管理，实现了自然语言到精确控制方案的自动转换。这是首次尝试利用LLM理解交通信号控制方案描述，并提供了一个易于使用的方案管理流程。

关键设计：1) 提示工程：设计了精心的提示（prompts），引导LLM准确理解用户的意图，并生成符合要求的JSON格式输出。2) Python脚本：开发了Python脚本，用于解析LLM的输出，并将其转换为可用于交通信号控制器的标准格式。3) 迭代优化：通过聊天交互，允许用户对生成的方案进行迭代编辑和优化，确保方案的准确性和有效性。

📊 实验亮点

实验结果表明，Chat2SPaT在包含300多个方案描述的测试数据集上，对英语和中文案例均能生成准确率超过94%的交通信号控制方案。该结果验证了LLM在理解交通信号控制方案描述方面的能力，并展示了Chat2SPaT在实际应用中的潜力。

🎯 应用场景

Chat2SPaT可应用于智能交通系统(ITS)的信号控制方案管理，帮助交通工程师快速创建和更新信号控制方案，提高交通效率，减少拥堵。该工具还可用于交通信号控制的教学和研究，降低学习门槛，促进相关技术的发展。未来，可扩展到更复杂的交通控制场景，例如自适应信号控制。

📄 摘要（原文）

Pre-timed traffic signal control, commonly used for operating signalized intersections and coordinated arterials, requires tedious manual work for signaling plan creating and updating. When the time-of-day or day-of-week plans are utilized, one intersection is often associated with multiple plans, leading to further repetitive manual plan parameter inputting. To enable a user-friendly traffic signal control plan management process, this study proposes Chat2SPaT, a method to convert users' semi-structured and ambiguous descriptions on the signal control plan to exact signal phase and timing (SPaT) results, which could further be transformed into structured stage-based or ring-based plans to interact with intelligent transportation system (ITS) software and traffic signal controllers. With curated prompts, Chat2SPaT first leverages large language models' (LLMs) capability of understanding users' plan descriptions and reformulate the plan as a combination of phase sequence and phase attribute results in the json format. Based on LLM outputs, python scripts are designed to locate phases in a cycle, address nuances of traffic signal control, and finally assemble the complete traffic signal control plan. Within a chat, the pipeline can be utilized iteratively to conduct further plan editing. Experiments show that Chat2SPaT can generate plans with an accuracy of over 94% for both English and Chinese cases, using a test dataset with over 300 plan descriptions. As the first benchmark for evaluating LLMs' capability of understanding traffic signal control plan descriptions, Chat2SPaT provides an easy-to-use plan management pipeline for traffic practitioners and researchers, serving as a potential new building block for a more accurate and versatile application of LLMs in the field of ITS. The source codes, prompts and test dataset are openly accessible at https://github.com/yuewangits/Chat2SPaT.