.png){kind=icon}
返回
Executing Signal Control From Text: LLM Fidelity on a CV Platoon-Based Optimization Algorithm
.png){kind=icon}
PRE
AI
DOI：10.1109/ACCESS.2026.3673185.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
联网车辆（CV）信号控制算法通常以散文形式发布，但部署需要精确的数值执行；本文测试大型语言模型（LLMs）在仅有文本规范的情况下能否正确执行CV编队式信号优化工作流程。我们建模一个具有直行交通的两方向交叉口，将车辆分组为有序编队，并将控制决策定义为一种交织西向和南向编队同时保持方向内顺序的离场序列。对于每个候选序列，一个确定性Python参考程序枚举可行性、计算排放时间、在速度限制下为移动编队选择建议速度，并返回平均车辆延误（AVD）。我们在三种引导级别（LoG）下查询LLMs，将输出解析为场景-序列表，并使用AVD误差、最优序列匹配、遗憾值、排名一致、速度限制状态匹配和响应时间对其进行评分。在高引导级别下，Gemini在30/30场景中匹配参考最优值，每序列AVD的中位绝对误差为0.005秒/辆，90百分位数为0.0177秒/辆，而ChatGPT匹配27/30最优值且遗憾值低（中位数为0.068秒/辆）；在中等引导级别下，部分模型的性能显著下降，包括因错误的速度限制钳制导致时间递归偏移而引发的大遗憾值失败。这些结果表明，提示中的程序结构在此受控离线基准测试中驱动执行保真度；它们并未确立LLM适合实时闭环交通控制，而是仅支持在具有确定性验证的保护决策支持流程中使用LLM。
Keyword:
Optimization
Delays
Reproducibility of results
Computational modeling
Trajectory
Time factors
Numerical models
Cognition
Reliability
Protocols
Connected vehicles
traffic signal control
platoon-based optimization
average vehicle delay
large language models
algorithm execution
reproducibility
compliance testing
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
.png){kind=icon}
An equitable traffic signal control scheme at isolated signalized intersections using Connected Vehicle technology使用连接车辆技术在孤立的信号交叉口上实现公平的交通信号控制方案
PREAI
分享收藏Development and evaluation of large-language models (LLMs) for oncology: A scoping review开发与评估用于肿瘤学的大型语言模型（LLMs）：一项范围综述
PREAI
分享收藏Are LLMs good at structured outputs? A benchmark for evaluating structured output capabilities in LLMsLlm擅长结构化输出吗？评估LLMs中结构化输出能力的基准
PREAI
分享收藏
查看更多内容