OverFlowLight: 城市交叉口实时交通阻塞预防与信号优化

# OverFlowLight: 城市交叉口实时防死锁与交通信号优化

**来源**：https://arxiv.org/html/2606.27381

黄伯阳¹，蒋天骐²，李辰朴³，刘春雨⁴，李扬⁴，李瑞敏⁵，吴强⁶

¹电子科技大学，²华南理工大学，³北京小橙智能计算，⁴北京邮电大学，⁵清华大学，⁶兰州大学

\(2025\)

###### 摘要

排队溢出是城市交通拥堵的一种严重后果，当车辆排队超出交叉口容量时，会阻塞上游交通并引发级联式死锁。当前主流的交通信号控制（TSC）算法主要针对通行效率进行优化，在高峰时段往往无法解决溢出问题，从而加剧拥堵并带来安全隐患。我们提出OverFlowLight，一个旨在主动解决溢出并提升整体TSC性能的实时框架。它首先引入一种机制，利用摄像头和雷达的多模态感知，实时精确检测溢出。检测到溢出后，它动态生成并插入专用溢出相位到信号周期中，以清除阻塞队列。这由一个混合控制设计协调，结合了快速的基于规则的溢出干预和用于长期效率优化的控制器后端（例如强化学习，RL）。我们在三个主要城市的43个交叉口进行了广泛的OverFlowLight实际部署。该框架展示了与现有基于RL的TSC智能体的无缝集成，凸显了其模块化和实际应用性。实证结果表明，与已部署的基线相比，OverFlowLight将溢出事件减少了60.4%，网络吞吐量提高了18.2%。此外，它显著减少了专家调整信号方案时常见的人工干预需求。这项工作提出了第一个实用、可扩展且数据驱动的主动预防交通死锁框架，为构建弹性和高效的城市交通系统提供了关键组件。我们的演示视频、代码和数据集可在匿名网址111https://anonymous.4open.science/r/OverFlowLight-FBF9获取。

交通信号控制，强化学习，溢出控制，死锁预防，实际部署，OverFlowLight

††版权：acmcopyright  ††期刊年份：2025  ††DOI：XXXXXXX.XXXXXXX  ††ISBN：978-1-4503-XXXX-X/18/06  ††CCS：计算方法 控制方法  ††CCS：应用计算 交通运输

参见图1. 在高峰时段，激增的交通需求可能导致信号切换时发生溢出及后续死锁。传统人工控制效率低下，而我们的方法减少了人工干预需求并提升了交通效率。

## 1. 引言

**动机**。传统的交通信号控制（TSC）算法主要强调正常交通条件下的运行效率指标[wei2018intellilight,(https://arxiv.org/html/2606.27381#bib.bib1)]。典型方法包括压力最大化策略，其中Max Pressure框架[varaiya2013max,(https://arxiv.org/html/2606.27381#bib.bib2)]通过交叉口压力优化最小化车辆行驶时间，以及深度强化学习（DRL）技术[VanDerPol2016,(https://arxiv.org/html/2606.27381#bib.bib3)]，这些技术以排队长度、延误时间和停车频率作为优化目标[wei2018intellilight,(https://arxiv.org/html/2606.27381#bib.bib1); wei2019colight,(https://arxiv.org/html/2606.27381#bib.bib4)]。然而，这些方法在应对交叉口溢出及其发展为死锁的城市交通现象时表现出关键局限性[haight1959overflow,(https://arxiv.org/html/2606.27381#bib.bib5)]。如图1 (https://arxiv.org/html/2606.27381#S0.F1)所示，实际部署显示，传统的TSC系统在非对称交通模式下经常失效，特别是在具有方向性流量不平衡的高峰时段，或当交叉口车道配置不匹配（即进口车道多于出口车道）时[akccelik1994overflow,(https://arxiv.org/html/2606.27381#bib.bib6)]。现有的交通信号控制方法无法明确解决交叉口溢出问题——这是一种关键的失效模式，由于出口车道容量不足，导致车辆排队向后蔓延进入交叉口区域[haight1959overflow,(https://arxiv.org/html/2606.27381#bib.bib5)]。这种溢出状况会引发级联失效风险，可能升级为死锁场景[kerner2011physics,(https://arxiv.org/html/2606.27381#bib.bib7)]，其中相互阻塞的车队形成正反馈循环，导致交叉口功能完全瘫痪。

**挑战**。现有的TSC方法在解决交叉口溢出方面存在三个关键缺陷。首先，现有的交通仿真器无法准确复现溢出状况，传统的TSC方法在解决由溢出引起的死锁问题方面证明不足，而基于压力的优化方法（如MaxPressure算法[liu2022novel,(https://arxiv.org/html/2606.27381#bib.bib8); mercader2020max,(https://arxiv.org/html/2606.27381#bib.bib9)]）在中度交通条件下表现出部分有效性，但在高峰时段拥堵（具有方向性流量不平衡和进/出口车道配置不匹配）时根本上会失效。其次，当前的预测框架面临双重技术限制：(1) 依赖具有固有估计误差的不完美交通预测模型[Viti2004c,(https://arxiv.org/html/2606.27381#bib.bib10); zhao2024,(https://arxiv.org/html/2606.27381#bib.bib11)]，以及(2) 时间分辨率不足（>30秒延迟）无法进行实时溢出预防。第三，缺乏自动化控制机制迫使依赖人工警察干预，这是一种不可持续的解决方案，低效地分配执法资源，同时引入人为错误风险。

这些局限性共同凸显了研究与实践之间的显著差距。尽管交通死锁的后果严重，包括网络范围的拥堵级联和事故风险增加，但现有的TSC系统仍然依赖手动定制的专业知识，并且缺乏一个统一的框架来有效解决由溢出引起的死锁问题。

**技术概述**。OverFlowLight通过一个简明的三阶段流水线解决了这一差距，如图3 (https://arxiv.org/html/2606.27381#S3.F3)所示。首先，**溢出检测模块**融合雷达和摄像头获取的车道级观测，实时识别正在产生的溢出方向。其次，**溢出相位构建模块**通过溢出相位映射（OPM）将每个检测到的溢出方向映射为一组可行的溢出清除相位。第三，**OPM约束的相位选择模块**将此安全相位集应用于传统控制器或基于RL的控制器，实现快速的局部干预，同时保持与现有TSC后端的兼容性。本概述在详细问题表述和方法描述之前，向读者提供了系统的高层逻辑。

**贡献**。针对上述挑战，本工作提出了第一个实际部署的交通管理系统，通过三个基本贡献系统性地解决交叉口溢出问题：

- • 我们将溢出表述为一个可操作的车道级控制问题，并设计了一个溢出控制框架，用于解决高峰时段和车道条件不平衡交叉口的死锁问题。
- • 我们引入了一个实用的溢出检测和相位选择接口，以溢出相位映射（OPM）为核心，该接口与传统的TSC方法和基于RL的控制器都能集成，以缓解由溢出引起的死锁。
- • 我们进行了首次大规模的溢出预防框架实际验证，在三个城市的43个交叉口部署OverFlowLight长达1.5年。实证结果表明，与已部署的基线相比，溢出事件减少了**60.4%**，网络吞吐量增加了**18.2%**，验证了其有效性和可扩展性。

## 2. 相关工作

### 2.1. 交通信号控制

在城市交通控制中，最初的策略依赖于静态信号配时[miller1963settings,(https://arxiv.org/html/2606.27381#bib.bib12)]，为不同时段（如高峰和平峰时段、工作日、周末和季节）调整方案。后来引入了启发式方法，如最长队列优先（LQF），它根据交叉口的交通需求切换交通灯相位[Papageorgiou2003,(https://arxiv.org/html/2606.27381#bib.bib13)]。然而，这些传统方法难以处理复杂的交通场景，并且在需求变化显著时效果较差。

为了克服传统方法的缺点，强化学习（RL）被引入交通信号控制（TSC）领域。诸如FRAP[zheng2019learning,(https://arxiv.org/html/2606.27381#bib.bib14)]、IntelliLight[wei2018intellilight,(https://arxiv.org/html/2606.27381#bib.bib1)]、Presslight[wei2019presslight,(https://arxiv.org/html/2606.27381#bib.bib15)]和Colight[wei2019colight,(https://arxiv.org/html/2606.27381#bib.bib4)]等方法利用RL优化交通信号相位，要么通过相位竞争原则，要么通过促进交叉口之间的通信。Towards a Thousand Lights[chen2020toward,(https://arxiv.org/html/2606.27381#bib.bib16)]利用基于智能体的多交叉口参数共享以实现快速收敛。AttendLight[NIPS-attention,(https://arxiv.org/html/2606.27381#bib.bib17)]引入自注意力机制来学习相位相关性，无需依赖人类专业知识。DynamicLight[zhang2022dynamiclight,(https://arxiv.org/html/2606.27381#bib.bib18)]采用两阶段框架，先用RL确定相位，再从预定义值中选择相位持续时间。这些基于RL的方法在提升交通管理智能以提高效率方面取得了显著进展[zhang2024multi,(https://arxiv.org/html/2606.27381#bib.bib19); liu2023gplight,(https://arxiv.org/html/2606.27381#bib.bib20)]。然而，它们通常需要大量的在线数据和计算资源，并在实际部署中面临安全性和稳定性方面的挑战[park2024traffic,(https://arxiv.org/html/2606.27381#bib.bib21); ma2023traffic,(https://arxiv.org/html/2606.27381#bib.bib22)]。

离线RL通过学习历史数据提供了一种有前景的替代方案，避免了实时与环境交互的需求。TransformerLight[wu2023transformerlight,(https://arxiv.org/html/2606.27381#bib.bib23)]利用离线RL进行TSC，展示了这种方法在没有在线实验的情况下提高交通管理效率的潜力。Meng等人[meng2023offline,(https://arxiv.org/html/2606.27381#bib.bib24)]通过离线预训练的多智能体决策变换器（MADT）进一步推进了该领域，通过离线数据集预训练提高了在线任务中的样本效率和泛化能力。这种预训练策略为解决TSC中的复杂决策问题提供了一种新颖的解决方案[han2023mitigating,(https://arxiv.org/html/2606.27381#bib.bib25)]，尤其是在在线实验成本高昂或存在安全风险的场景中。然而，大多数TSC方法主要关注提高效率，而没有解决安全问题。

### 2.2. 交通溢出预测

当交通强度接近交叉口容量时会发生溢出。在这种情况下，车辆到达率的随机波动可能导致周期失效，即排队在一个周期内无法清空并逐渐增长，最终形成溢出队列。传统的排队模型已被用于描述和预测这些溢出队列，但它们存在局限性，特别是当交通流接近饱和时，导致延误估计不准确[Viti2004c,(https://arxiv.org/html/2606.27381#bib.bib10)]。

最大压力[varaiya2013max,(https://arxiv.org/html/2606.27381#bib.bib2)]方法根据上游和下游车道之间车辆数的差异选择TSP。虽然这种方法在某些条件下可以缓解溢出，但在上游和下游车道容量不平衡或当前相位交通需求过高的情况下被证明无效。

为了应对这些挑战，引入了先进的排队模型。例如，[Viti2004c,(https://arxiv.org/html/2606.27381#bib.bib10)]创建了一个启发式模型，通过使用马尔可夫链过程生成的数据，将初始线性趋势与非线性元素相结合。该模型通过考虑队列的时间演变以及标准差对平均队列行为的影响，提高了溢出队列长度计算和延误预测的精度。

随着车联网技术的发展，网联车辆（CV）数据已成为一种新的溢出预防方法。CV数据包含车辆位置、速度和行驶轨迹等详细信息，可以反映交通流的实时状态[Li2019,(https://arxiv.org/html/2606.27381#bib.bib26); Wu2020,(https://arxiv.org/html/2606.27381#bib.bib27)]。一些研究利用CV数据进行交通状态估计，包括分析车辆轨迹数据以确定交通流、速度和密度参数[Zheng2017,(https://arxiv.org/html/2606.27381#bib.bib28); Tang2020,(https://arxiv.org/html/2606.27381#bib.bib29); Zhang2022,(https://arxiv.org/html/2606.27381#bib.bib30)]。Zhao等人[zhao2024,(https://arxiv.org/html/2606.27381#bib.bib11)]利用部分CV数据，结合自适应卡尔曼滤波模型和实时CV数据，预测交叉口出口处的剩余空间以及车辆到达-离开模式。随后，使用模型预测控制（MPC）重新分配信号控制，有效防止溢出。

虽然现有的溢出预测方法在某些情况下可能有效，但在诸如拥堵不频繁、数据可用性有限以及难以获取实时数据等情况下，它们的适用性和准确性可能受到限制。因此，需要进一步研究，以开发更灵活、准确和实用的溢出预测和预防措施。

### 2.3. 交通溢出控制

在交通管理领域，针对交叉口溢出问题已提出了各种解决方案。早期方法主要关注信号配时优化，例如[wong2003lane,(https://arxiv.org/html/2606.27381#bib.bib31)]提出的基于车道的优化方法，通过调整绿灯时间和周期长度来管理交通流，减少车辆等待时的积压。这种方法的优点是可以显著提高交叉口的效率，尤其是在交通需求高的时段。然而，这种方法的缺点是可能忽略实际的车辆排队，导致在某些情况下仍然发生溢出。

随后，研究人员开始关注车道标线优化。[yu2017robust,(https://arxiv.org/html/2606.27381#bib.bib32)]