Traffic signal control method based on large language model, system and computer-readable storage medium

Abstract

The present application provides a traffic signal control method based on Large language model (LLM), system and computer-readable storage medium. The method includes: obtaining traffic state information in a traffic environment; transmitting the traffic state information to the LLM; determining a traffic signal control strategy based on the traffic state information and the LLM; and controlling working states of a plurality of traffic signals based on the traffic signal control strategy. In the present application, the LLM is integrated into the TSC framework to assist in the decision-making process, the extensive knowledge and common-sense reasoning abilities of LLM are leveraged to enhance decision-making in complex and uncommon traffic situations, thereby improving road transport efficiency.

Description

TRAFFIC SIGNAL CONTROL METHOD BASED ON LARGE LANGUAGE MODEL, SYSTEM AND COMPUTER-READABLE STORAGE MEDIUMTechnical Field

[0001] The present application relates to the field of transportation technologies, in particular to a traffic signal control method based on Large language model (LLM) , system, and computer-readable storage medium.Background Art

[0002] Traffic congestion poses a significant challenge globally, leading to adverse economic, environmental, and social impacts. Managing traffic flow efficiently, especially at road intersections, is crucial to alleviating congestion. Traffic signal control (TSC) systems are vital in this effort. Traditional rule-based TSC methods, such as the Webster method and Self-Organizing Traffic Light Control (SOTL) , have been somewhat effective in managing traffic flow and reducing congestion. Unfortunately, these systems are inherently limited by their static, rule-based algorithms, which do not fully adapt to the dynamic nature of urban traffic patterns.

[0003] Recently, advancements in sensor technology and data collection have paved the way for more adaptive TSC strategies. In particular, Reinforcement Learning (RL) has emerged as an attractive approach, utilizing real-time data to dynamically adjust traffic signals. Despite their potential, these RL-based TSC systems are not without limitations. These systems may suffer from overfitting to specific traffic patterns. Additionally, RL systems typically rely on reward functions that may not be able to capture infrequent but critical events, such as emergency vehicles'sudden arrivals or unexpected road blockages. This can reduce their practicality in real-world conditions.

[0004] Therefore, there is an urgent need to propose a new traffic signal control method based on Large language model (LLM) to solve the above-mentioned deficiencies.Technical Problem

[0005] Embodiments of the present application provide a traffic signal control method, system, and computer-readable storage medium, which integrates Large Language Models (LLMs) into the Traffic Signal Control (TSC) framework to assist in the decision-making process, so as to enhance decision-making in complex and uncommon traffic situations and improve road transport efficiency.Technical Solution

[0006] A first aspect of the embodiments of the present application provides a traffic signal control method based on Large language model (LLM) , applied to a traffic management system integrated with the Large Language Model, comprising:

[0007] obtaining traffic state information in a traffic environment;

[0008] transmitting the traffic state information to the LLM;

[0009] determining a traffic signal control strategy based on the traffic state information and the LLM; and

[0010] controlling working states of a plurality of traffic signals based on the traffic signal control strategy.

[0011] A second aspect of embodiments of the present application provides a traffic management system integrated with a Large Language Model (LLM) , comprising:

[0012] a processing unit; and

[0013] a computer-readable storage medium having encoded thereon computer-readable instructions that when executed by the processing unit cause the system to:

[0014] obtain traffic state information in a traffic environment;

[0015] transmit the traffic state information to the LLM;

[0016] determine a traffic signal control strategy based on the traffic state information and the LLM; and

[0017] control working states of a plurality of traffic signals based on the traffic signal control strategy.

[0018] A third aspect of embodiments of the present application provides a computer-readable storage medium having encoded thereon computer-readable instructions that when executed by a system cause the system to:

[0019] obtain traffic state information in a traffic environment;

[0020] transmit the traffic state information to a Large Language Model (LLM) ;

[0021] determine a traffic signal control strategy based on the traffic state information and the LLM; and

[0022] control the working states of the plurality of traffic signals based on the traffic signal control strategy.Advantageous Effects

[0023] As can be seen from the above, according to the traffic signal control method based on Large language model, system, and computer-readable storage medium provided in the embodiments of the present application, the traffic state information in a traffic environment is obtained; the traffic state information is transmitted to the LLM; a traffic signal control strategy is determined based on the traffic state information and the LLM; and working states of a plurality of traffic signals are controlled based on the traffic signal control strategy. Through the implementation of the present application, the LLM is integrated into the TSC framework to assist in the decision-making process, the extensive knowledge and common-sense reasoning abilities of LLM are leveraged to enhance decision-making in complex and uncommon traffic situations, thereby improving road transport efficiency.Description of Drawings

[0024] FIG. 1 shows a schematic diagram of a standard crossroad.

[0025] FIG. 2 shows a schematic diagram of a traditional signal control system in the related art.

[0026] FIG. 3 shows a structural schematic diagram of a traffic signal control system according to an embodiment of the present application.

[0027] FIG. 4 shows a flowchart of a traffic signal control method based on Large language model (LLM) according to an embodiment of the present application.

[0028] FIG. 5 shows a schematic diagram of a state of an intersection at a moment according to an embodiment of the present application.

[0029] FIG. 6 shows a schematic diagram of a static perception tool according to an  embodiment of the present application.

[0030] FIG. 7 shows a schematic diagram of a dynamic perception tool according to an embodiment of the present application.

[0031] FIG. 8 shows a schematic diagram of a decision support tool according to an embodiment of the present application.

[0032] FIG. 9 shows a schematic diagram of a decision evaluation tool according to an embodiment of the present application.

[0033] FIG. 10 shows a flowchart of yet another traffic signal control method according to an embodiment of the present application.

[0034] FIG. 11 shows a flowchart of still another traffic signal control method according to an embodiment of the present application.

[0035] FIG. 12 shows a schematic diagram of a system prompt template according to an embodiment of the present application.

[0036] FIG. 13 shows a flowchart of step S100 according to an embodiment of the present application.

[0037] FIG. 14 is a diagram illustrating a working process of the traffic signal control method applied to the LA-Light system according to an embodiment of the present application.

[0038] FIG. 15 shows a schematic diagram of a traffic signal control system according to an embodiment of the present application.

[0039] FIG. 16 shows a diagram illustrating the control processes of UniTSA and LA-Light strategies in handling Emergency Vehicle (EMV) and Sensor Outage (SO) scenarios at synthetic intersections.

[0040] FIG. 17 is a diagram illustrating a decision-making process of the LA-Light in response to various urban traffic scenarios according to an embodiment of the present application.

[0041] FIG. 18 shows a schematic diagram of a traffic network at Chenta Road, Songjiang District, Shanghai.

[0042] FIG. 19 shows a schematic diagram of an Emergency Vehicle (EMV) Scenario.

[0043] FIG. 20 shows a schematic diagram of a Roadblock Incident (RBI) Scenario.

[0044] FIG. 21 shows a schematic diagram of a Sensor Outage (SO) Scenario.Best Mode

[0045] According to an aspect of the present invention, there is provided a traffic signal control method based on Large language model (LLM) , applied to a traffic management system integrated with the Large Language Model, comprising: obtaining traffic state information in a traffic environment; transmitting the traffic state information to the LLM; determining a traffic signal control strategy based on the traffic state information and the LLM; and controlling working states of a plurality of traffic signals based on the traffic signal control strategy.

[0046] According to another aspect of the present invention, there is provided a traffic management system integrated with a Large Language Model (LLM) , comprising: a processing unit; and a computer-readable storage medium having encoded thereon computer-readable instructions that when executed by the processing unit cause the system to: obtain traffic state information in a traffic environment; transmit the traffic  state information to the LLM; determine a traffic signal control strategy based on the traffic state information and the LLM; and control working states of a plurality of traffic signals based on the traffic signal control strategy.

[0047] According to another aspect of the present invention, there is provided a computer-readable storage medium having encoded thereon computer-readable instructions that when executed by a system cause the system to: obtain traffic state information in a traffic environment; transmit the traffic state information to a Large Language Model (LLM) ; determine a traffic signal control strategy based on the traffic state information and the LLM; and control the working states of the plurality of traffic signals based on the traffic signal control strategy.

[0048] Mode for Invention

[0049] In order to make the inventive object, features, and advantages of the present application more obvious and understandable, the technical solutions in the embodiments of the present application will be described clearly and completely in the following in conjunction with the accompanying drawings in the embodiments of the present application. Obviously, the described embodiments are only a part of the present application rather than all of the embodiments. Based on the embodiments in the present application, all other embodiments obtained by persons skilled in the art without making creative labor are within the scope of protection of the present application.

[0050] Described below are only preferred embodiments of the present application, and are not intended to limit the present application, and any modifications, equivalent substitutions, improvements, etc. made within the spirit and principles of the present application shall be included in the scope of protection of the present application.

[0051] Before the embodiments of the present application are described in further detail, the terms and terminology involved in the embodiments of the present application are explained combined with FIG. 1, and the terms and terminology involved in the embodiments of the present application are applicable to the following explanations.

[0052] Road network: a road system consisting of a variety of roads that are interconnected and interwoven into a network within a certain area. Road networks may have a different scope, for example, all by all levels of highway called highway network. In the urban area, it is called the urban road network consists of various roads, and in the neighborhood area, it is called the neighborhood network consists of various roads.

[0053] Intersections (INT) : as the road network is distributed in a grid-like structure, there are multiple intersecting intersections. There are different types of intersections, such as crossroads (4-way) and T-intersections (3-way) . A crossroad is an intersection where two roads intersect at a cross and a T-intersection is an intersection where two roads intersect at a T-intersection. As shown in FIG. 1, illustrated is a standard crossroad (four-way road intersection) with eight traffic movements and signal phases.

[0054] Lanes: in the context of traffic intersections, lanes are categorized according to their purpose for the intersection. Incoming lanes guide vehicles toward the intersection, allowing them to enter. Conversely, outgoing lanes are designed to allow vehicles to  depart from the intersection.

[0055] Traffic Movements: the directional flow of vehicles from incoming to outgoing lanes defines traffic movement at an intersection. A conventional four-way intersection typically includes four directional paths: East (E) , West (W) , North (N) , and South (S) . Each path facilitates two main vehicular movements for exiting: a left turn, indicated by l, and a straight-ahead movement, denoted by s. In the context of the present application, right-turn movements are excluded on the assumption that they are not signal-controlled in regions with right-hand traffic systems. Therefore, the traffic control system at the intersection administers eight distinct movements, labeled as m1 through m8.

[0056] Traffic signals: also known as movement signals, refer to the controls that dictate the flow of traffic for each direction at an intersection. A green signal authorizes the traffic to proceed, while a red signal indicates a stop condition. As shown in FIG. 1, at a standard four-way intersection, if movement signals m4 and m8 are green, this indicates that the corresponding movements-specifically, the westbound and eastbound left turns-are allowed, and all other movements are halted.

[0057] Phases: a traffic signal phase is a combination of traffic signals that are displayed at the same time to manage multiple traffic flows. This configuration is designed so that all movements within a phase can proceed safely and without interference from other directions. As shown in FIG. 1, the intersection operates using four distinct phases, identified as p1 through p4. For example, during phase p4, the green signals for movements m4 and m8 are activated concurrently, which enables vehicles to make left turns from both the westbound and eastbound approaches without conflict.

[0058] Large Language Model (LLM) : a Natural Language Processing (NLP) model based on deep learning techniques designed to understand, generate and manipulate human language. They are neural networks trained from large amounts of textual data, often using a transformer architecture, such as the Generative Pre-trained Transformer (GPT) family.

[0059] In related art, in order for the traffic signal control strategy can maintain a superior performance when actually applied at a target intersection, it may be trained, simulated, and tested in traffic flow simulation software before actual application.

[0060] With the acceleration of urbanization and the increase in per capita car possession, the traffic in the city becomes busier, and the problems of traffic congestion and traffic accidents on the urban road network are gradually highlighted. At present, the roads still mainly use signal timing strategies based on traditional traffic rules and fixed configurations, and the formulation and change of the above strategies have a large lag and cannot respond quickly to changes in traffic.

[0061] At present, there are many conventional signal control schemes, such as Webster's timing method, Self-Organizing Traffic Light (SOTL) control method, and MaxPressure control method. The Webster timing method, which relies on the analysis of intersection data to design a fixed period scheme, is more suitable for the control of a single intersection. The SOTL control algorithm is a kind of adaptive traffic signal regulation method that can adjust the threshold manually based on the number of waiting vehicles. The MaxPressure control method belongs to the typical real-time  scheme, which can theoretically maximize the throughput of a single intersection by calculating the demand pressure of the target phase for phase switching. For the regional signal control problem, due to its static, rule-based algorithm, it cannot fully adapt to the ever-changing patterns of urban traffic. FIG. 2 shows a schematic diagram of a traditional signal control system in the related art. As shown in FIG. 2, conventional TSC systems make decisions directly by an algorithm that processes environmental inputs. This method of making decisions based on predefined rules and observations, which may not be satisfactory in unusual or unpredictable events, results in the general adaptability of the aforementioned signalization control model to the actual road environment is not ideal.

[0062] Recently, the evolution of sensor technology and data collection has led to the development of more adaptive TSC strategies. In particular, Reinforcement Learning (RL) has emerged as an attractive approach, utilizing real-time data to dynamically adjust traffic signals. The RL-based signal control methods include IntelliLight method, PressLight method, AttendLight method, and UniTSA method. The IntelliLight method refers to a traffic signal control system based on intelligent algorithms (e.g., reinforcement learning) . It analyzes and learns from historical traffic data and autonomously adjusts the signal duration and switching sequence to optimize traffic flow and reduce congestion and waiting time. It is able to adapt to different traffic conditions to achieve more dynamic and efficient traffic control. The PressLight method inspired by the state-of-the-art method max pressure (MP) in the transportation field, and and set the reward function to the same value as the MP target. This reward design does not directly optimize for travel time under the arterial network, but rather uses it as a proxy for average travel time. The AttendLight method is worked by training an action attention computer model that determines a probability of switching from a first action to a second action of the first set of the multiple candidate actions (e.g., changing traffic colors of traffic lights) . The UniTSA system is an RL strategy that uses queue length as the reward metric. It is a universal RL-based method suitable for junctions with diverse configurations, eliminating the need for separate training for different junctions and still achieving good performance in standard situations.

[0063] Despite their potential, these RL-based TSC methods are not without limitations. These methods may suffer from overfitting to specific traffic patterns. Additionally, RL systems typically rely on reward functions that may not be able to capture infrequent but critical events, such as emergency vehicles’s udden arrivals or unexpected road blockages. This can reduce their practicality in real-world conditions.

[0064] In order to solve the limitations of traditional signal control systems and RL-based signal control systems, the present application introduces a novel approach that integrates Large Language Models (LLMs) into the TSC framework to assist in the decision-making process, named LLM-Assist Light (LA-Light) . In the traffic signal control method and system provided in the present application, the extensive knowledge and common-sense reasoning abilities of LLMs are leveraged to enhance decision-making in complex and uncommon traffic situations. LLMs, with their sophisticated natural language processing capabilities, can interpret intricate traffic scenarios and recommend actions that may be overlooked by rule-based or RL-based systems. As shown in FIG. 3, the traffic signal control system provided in the present  application integrates an LLM Agent Module to enhance the system's comprehension of various traffic scenarios and the logic behind its decisions. In this LA-Light system, the LLM begins by selecting the most relevant tools from an enhanced set, including perception tools and decision-making algorithms, to collect and analyze traffic data. It then evaluates the information, adjusting its choice of tools as needed, until a definitive traffic control decision is formulated.

[0065] Specific embodiments of the present application are described below in conjunction with the accompanying drawings.

[0066] FIG. 4 shows a flowchart of a traffic signal control method based on Large language model according to an embodiment of the present application. As shown in FIG. 4, the present application provides a traffic signal control method based on Large language model (LLM) , applied to a traffic management system integrated with the Large Language Model. In some embodiments of the present application, the traffic management system with the integrated LLM may be an LA-Light system as described above, and the LLM may be a GPT-4, LLaMA, BLOOM, or BERT model, etc., without limitation herein. The traffic signal control method includes the following steps.

[0067] Step S110: the traffic state information in the traffic environment is obtained.

[0068] In an embodiment, the traffic information obtained at step S110 may include at least one of the following: an intersection layout, a signal phase structure, an occupancy in each traffic movement, a queue length in each traffic movement, a current traffic signal phase, and a junction situation.

[0069] The intersection layout as well as the signal phase structure are static traffic information, i.e., aspects that remain unchanged in the traffic environment and may be obtained through user settings. The intersection layout describes the intersection's configuration, detailing the number and function of lanes associated with each direction, which is fundamental for understanding potential traffic flow scenarios. The signal phasing structure describes the traffic signal phasing at the intersection, outlining the sequence and associated traffic movements for each phase.

[0070] The occupancy in each traffic movement, the queue length in each traffic movement, the current traffic signal phases, and the junction situation are dynamic traffic information, i.e., real-time, fluctuating aspects of the traffic environment. The dynamic traffic information may be recognized by detection sensors arranged in the traffic environment, such as visual sensors, infrared sensors, or laser sensors. In this regard, the occupancy in each traffic movement describes the proportion of space currently occupied by vehicles in each traffic movement, which provides insight into the congestion levels and the distribution of vehicles at the intersection. The queue length in each traffic movement describes the length of the vehicle queues for each traffic movement at the intersection, providing quantitative data to measure the traffic backlog. The current traffic signal phase is the currently active traffic signal phase at the intersection, which is crucial for the LLM to understand which traffic flows are being allowed at any given moment. The junction situation is the unusual or emergency situation at the intersection, such as emergency vehicle arrivals or traffic accidents, which may require immediate action or a departure from standard traffic control measures.

[0071] Step S120: the traffic state information is transmitted to the LLM.

[0072] After the traffic management system has obtained the traffic state information through user settings or detection sensors, the traffic state information is transmitted to the LLM. Since the traffic state information is stored in the traffic management system, the embodiments of the present application also introduce a set of tools designed to bridge the gap between the TSC system and the LLM. These tools act as intermediaries, collecting environmental data and communicating with the LLM, which then guides the TSC system.

[0073] This set of tools includes perception tools, including static perception tools and dynamic perception tools. The static perception tool is configured to capture unchanging traffic state parameters of the traffic environment, i.e., the aforementioned static traffic information, including the intersection layout as well as the signal phase structure. The dynamic perception tool is configured to collect real-time, fluctuating traffic state parameters, i.e., the aforementioned dynamic traffic information, including the occupancy rate in each traffic movement, the queue length in each traffic movement, the current traffic signal phase, and the junction situation.

[0074] In some embodiments, the static perception tool includes the perception tool Get_Intersection_Layout for obtaining the intersection configuration and the perception tool Get_Signal_Phase_Structure for obtaining the traffic signal phase of the intersection. The dynamic perception tool includes the perception tool Get _Occupancy for obtaining the occupancy in each traffic movement, the perception tool Get_Queue_Length for obtaining the queue length of each traffic flow, a perception tool Get_Queue_Length for obtaining the current traffic signal phase, and the perception tool Get_Junction_Situation for obtaining the intersection status. Of course, the tools of the present application may also include other perception tools for obtaining more traffic state information, which are not limited herein.

[0075] As an example, FIG. 5 shows a schematic diagram of the state of an intersection at a moment according to an embodiment of the present application. FIG. 6 shows a schematic diagram of a static perception tool according to an embodiment of the present application. FIG. 7 shows a schematic diagram of a dynamic perception tool according to an embodiment of the present application. As shown in FIGS. 5-7, at an intersection, the perception tool may acquire the static signal phase information and the dynamic traffic flow information. In FIG. 6, four traffic phases of the intersection and the traffic movement contained in each phase are obtained by the perception tool Get_Signal_Phase_Structure. Meanwhile, in FIG. 7, the congestion level of each traffic flow at this moment is obtained by the perception tool Get_Occupancy.

[0076] The aforementioned perception tools are crucial for the operation of the LA-Light framework, which facilitates the LLM to obtain traffic state information more efficiently and promotes the interaction between the LLM and the traffic environment. Although the current set of tools is tailored to the specific needs identified in this embodiment, the flexible architecture of the framework allows for the easy addition of new perceptual tools. This adaptability ensures that the framework is able to meet the changing needs of traffic management and fulfill future objectives.

[0077] Step S130: a traffic signal control strategy is determined based on the traffic state information and the LLM.

[0078] In some embodiments, once sufficient data is obtained, the LLM selects the  most relevant decision tools from the toolset to analyze the traffic state information and evaluates the traffic state information using the decision tools to develop a definitive traffic signal control strategy. In some embodiments, the decision tools include a decision support tool and a decision evaluation tool.

[0079] The decision support tool is intended to assist the LLM in the decision-making process by providing reference points and additional insights. The decision support tool includes the tool Get _Auxiliary_Decision and the tool Get_Available _Actions. The tool Get _Auxiliary_Decision may provide alternative decisions using existing traffic signal control methods, such as the aforementioned RL-based traffic signal control method, to provide a reference or other viewpoint for the LLM decision-making process. For example, in LA-Light, the RL-based approach is implemented as the base approach. The UniTSA is an RL strategy that uses queue length as a reward metric. It is a generalized RL-based method for intersections with different configurations, eliminating the need for separate training for different intersections and still achieving good performance in standard situations. The tool Get_Available _Actions lists the potential actions available to the LLM at any given time, outlining the range of immediate decision-making options.

[0080] The Decision Evaluation tool helps to validate and justify the decisions proposed by LLM, which includes the tool Evaluate_Action_Feasibility and the tool Justify_Decision_Logic. The tool Evaluate_Action_Feasibility verifies the compatibility of LLM-generated decisions with the expected output format. Its primary function is to identify and minimize the generation of irrelevant or incorrect information, i.e., LLM illusions. If the output does not meet the specified criteria, the LLM is prompted to revise and resubmit the decision. The tool Justify_Decision_Logic allows the LLM to explain the rationale behind its decisions. Such explanations increase the transparency and understanding of the TSC process for traffic managers.

[0081] FIG. 8 shows a schematic diagram of a decision support tool according to an embodiment of the present application, and FIG. 9 shows a schematic diagram of a decision evaluation tool according to an embodiment of the present application. As shown in FIGS. 5-9, based on the traffic environment in the state of FIG. 5, after the perception tool has acquired sufficient data, the decision support tool Get_Auxiliary_Decision is configured to provide RL-based decisions, such as setting phase 2 to green. Furthermore, the decision evaluation tool Justify_Decision_Logic may be configured to give an explanation based on the current junction situation.

[0082] Thus, the step S130 of determining the traffic signal control strategy based on the traffic state information and LLM is realized by the following steps.

[0083] S131, the decision support tool is utilized to determine the available control strategies.

[0084] S132, the decision evaluation tool is utilized to validate and justify the available control strategies to determine the traffic signal control strategy.

[0085] In this embodiment, the LLM may employ a plurality of conventional signal control methods to obtain a plurality of available control strategies, and then employ the built-in tool to simulate and validate the plurality of available control strategies, thereby obtaining the optimal traffic signal control strategy at a particular time, which in turn improves the efficiency of traffic operation. It should be understood that the  above steps S131-132 are an implementation of realizing step S130, and are not a limitation of the present application. Any modifications and improvements made by a person skilled in the art on the basis of the above steps should be regarded as falling within the scope of protection of the present application.

[0086] S140: the working states of a plurality of traffic signals are controlled according to the traffic signal control strategy.

[0087] In some embodiments, the traffic management system of the present application is configured to control a plurality of traffic signals so as to enable vehicles of different traffic movements to pass in an orderly manner. The traffic signal control strategy may include a traffic signal phase strategy and a phase duration strategy. The traffic signal phase strategy is a combination of different working states of the plurality of traffic signals so that all traffic movements within a phase can travel safely without interference from other directions. The phase duration strategy is the duration of a traffic signal phase. As shown in FIGS. 5-6, the phase 2 is “E1-l” , “E3-l” , and when the phase 2 is set to be a green signal, i.e., the signals controlling left turns in lanes E1 and E3 are green, to allow motor vehicles in lanes E1 and E3 to make a left turn, while the other traffic signals are red to prohibit the movement of motor vehicles in other directions. In addition, the phase duration strategy is related to the occupancy and the queue length in each traffic movement. For example, when the occupancy in a certain traffic movement is high and the queue length is large, the phase duration may be lengthened when the phase allowing the movement of that traffic movement is in effect. On the contrary, when the occupancy in a certain traffic movement is low and the queue length is small, the phase duration may be shortened when the phase allowing the movement of that traffic movement is in effect.

[0088] In the traffic signal control method provided in the embodiment of the present application, the traffic state information in a traffic environment is obtained; the traffic state information is transmitted to the LLM; a traffic signal control strategy is determined based on the traffic state information and the LLM; and working states of a plurality of traffic signals are controlled based on the traffic signal control strategy. Through the implementation of the present application, the LLM is integrated into the TSC framework to assist in the decision-making process, the extensive knowledge and common-sense reasoning abilities of LLM are leveraged to enhance decision-making in complex and uncommon traffic situations, thereby improving road transport efficiency. Given that LLMs intrinsically lack the capacity for direct engagement with traffic ecosystems or their data, an array of enhanced tools are devised to collect both the static and dynamic traffic state information, subsequently facilitating the decision-making procedure. Crucially, this ensemble integrates existing rule-based and RL-based algorithms, guaranteeing that our methodology sustains state-of-the-art (SOTA) performance under conventional traffic conditions while also adapting effectively to exceptional situations.

[0089] In some embodiments, the decision evaluation tool further includes a justify decision logic tool (e.g., the tool Justify_Decision_Logic of FIG. 9) , and the justify decision logic tool is configured to explain the rationale information behind the traffic signal control strategy. As shown in FIG. 10, the traffic signal control method of the present application further includes the following step.

[0090] S150: the rationale information is outputted.

[0091] As an example, the rationale information may be output in the form of text or images through a display device, or in the form of audio through a loudspeaker, and the specific output mode is not limited in the present application. This function allows the LLM to explain the rationale behind its decisions. Such explanations increase transparency and enhance the traffic manager's understanding of the TSC process.

[0092] In some embodiments, as shown in FIG. 11, before the step S110 of obtaining traffic state information in the traffic environment, the traffic signal control method of the present application further includes the following step.

[0093] S100: the LLM is configured in the traffic management system, thereby defining the role of the LLM in the traffic management system and determining the tool to be selected.

[0094] In this embodiment, the LA-Light system harnesses the interpretive capabilities of the LLM and improves its decision-making process through careful prompt engineering. This approach guides the model in making decisions in complex traffic situations. The system cues are carefully engineered to cover a wide range of considerations, enabling the LLM to accurately interpret traffic conditions and effectively manage traffic signals to alleviate congestion. FIG. 12 shows a schematic diagram of a system prompt template according to an embodiment of the present application, and FIG. 13 shows a flowchart of the step S100 according to an embodiment of the present application. As an example, as shown in FIGS. 12-13, the step S100 includes the following steps.

[0095] S101: the LLM's role in the traffic management system is detailed.

[0096] In this step, an objective of the LLM in traffic signal control is clarified by the task description shown in FIG. 12.

[0097] S102: a catalog and description of available traffic control tools are provided.

[0098] In this step, a detailed briefing of the functionality of each integrated tool within the LA-Light framework is provided. The briefing includes a list of the tools, their respective uses, the type of inputs required, the outputs produced, and practical usage examples so that LLM can select the appropriate tool based on the practical application requirements.

[0099] S103: data from tool feedback information and history information of preceding cycles are compiled.

[0100] In this step, the LA-Light framework consolidates observation data, which includes the latest outputs from the tool usage as well as the preceding chat history. This compilation of data provides the LLM with the relevant information needed to make informed decisions in subsequent interactions.

[0101] S104: compliance with traffic regulations and safety guidelines in tool deployment is emphasized.

[0102] In this step, the stated traffic regulations and safety guidelines include adherence to specific traffic laws and the integration of important factors that influence the decision-making process when using the tool. This ensures that the actions of local drivers not only optimize traffic flow but also comply with legal and safety standards.

[0103] S105: a protocol for the LLM's decision communication to ensure proper tool utilization is defined.

[0104] In this step, the last part of the LA-Light system prompt outlines the expected output format. By defining the output format, the system facilitates seamless communication between the LLM and the traffic control tool, ensuring that the decisions are implemented effectively and efficiently.

[0105] To further refine the decision-making process, each tool within the LA-Light system is accompanied by its own tailored prompt. These prompts are composed of four parts, enhancing the clarity and precision with which the tools can be operated. For instance, Table 1 shows the prompt structure for the tool Get_Intersection_Layout. The first part provides a detailed description of the tool's capabilities. The second part outlines the necessary inputs required by the tool and the third part describes the output generated by the tool. Finally, a practical example is provided in Table 1 to illustrate how the tool is used and the example of the output.

[0106] Table 1-Prompt structure for the tool Get_Intersection_Layout

[0107] FIG. 14 is a diagram illustrating a working process of the traffic signal control method applied to the LA-Light system according to an embodiment of the present application. As shown in FIG. 14, illustrated is a schematic representation of the five-step process for integrating the LLM in the TSC. Step 1 outlines the task planning phase where the LLM defines its role in traffic management. In this iinitial phase, the LLM is assigned the function of regulating traffic signals at busy intersections to alleviate congestion, drawing on a combination of analytical and control tools. Step 2 involves the selection of appropriate perception and decision-making tools by the LLM. In Step 3, these tools interact with the traffic environment to gather data. Step 4 depicts the analysis of this data by the Decision Unit to inform decision-makiing. Finally, Step 5 illustrates the implementation of the LLM's decisions and the provision of explanatory feedback for system transparency and validation. The embodiment shown in FIG. 14 is a specific implementation of the present application, which should not be understood as a limitation of the present application.

[0108] FIG. 15 shows a schematic diagram of a traffic signal control system according to an embodiment of the present application. As shown in FIG. 15, the embodiments of  the present application further provide a traffic management system 15 integrated with a Large Language Model (LLM) , including a processing unit 152; and a computer-readable storage medium 151 having encoded thereon computer-readable instructions 1511 that when executed by the processing unit cause the traffic signal control system to:

[0109] obtain traffic state information in a traffic environment;

[0110] convey the traffic state information to the LLM;

[0111] determine a traffic signal control strategy based on the traffic state information and the LLM; and

[0112] control working states of a plurality of traffic signals based on the traffic signal control strategy.

[0113] Specifically, the traffic signal control system may be the aforementioned LA-Light system. In the traffic signal control system provided in the embodiment of the present application, the traffic state information in a traffic environment is obtained; the traffic state information is transmitted to the LLM; a traffic signal control strategy is determined based on the traffic state information and the LLM; and working states of a plurality of traffic signals are controlled based on the traffic signal control strategy. Through the implementation of the present application, the LLM is integrated into the TSC framework to assist in the decision-making process, the extensive knowledge and common-sense reasoning abilities of LLM are leveraged to enhance decision-making in complex and uncommon traffic situations, thereby improving road transport efficiency.

[0114] In one embodiment, the traffic state information includes at least one of the following: an intersection layout, an occupancy in each traffic movement, a queue length in each traffic movement, a current traffic signal phase, and a junction situation.

[0115] In one embodiment, before the step of obtaining the traffic state information in a traffic environment, the processing unit 152 is further implemented to:

[0116] configure the LLM in the traffic management system, thereby defining the role of the LLM in the traffic management system and determining traffic control tools to be selected.

[0117] In one embodiment, the LLM is configured in the traffic management system by:

[0118] detailing the LLM's role in the traffic management system;

[0119] providing a catalog and description of available traffic control tools;

[0120] compiling data from tool feedback information and history information of preceding cycles;

[0121] emphasizing compliance with traffic regulations and safety guidelines in tool deployment; and

[0122] defining a protocol for the LLM's decision communication to ensure proper tool utilization.

[0123] In one embodiment, the traffic control tools include perception tools, including static perception tools and dynamic perception tools; wherein the static perception tools are configured to capture unchanging traffic state parameters in the traffic environment, and the dynamic perception tools are configured to collect real-time, fluctuating traffic state parameters.

[0124] In one embodiment, the traffic control tools further include decision tools,  including decision support tools and decision evaluation tools; the step of determining the traffic signal control strategy includes:

[0125] utilizing the decision support tools to determine available control strategies;

[0126] utilizing the decision evaluation tools to validate and justify the available control strategies to determine the traffic signal control strategy.

[0127] In one embodiment, the decision evaluation tools further include a justify decision logic tool, and the justify decision logic tool is configured to explain rationale information behind the traffic signal control strategy; the processing unit 152 is further implemented to:

[0128] output the rationale information.

[0129] In one embodiment, the traffic signal control strategy includes a traffic signal phase strategy and a phase duration strategy; wherein the traffic signal phase strategy is a combination of working states of the plurality of traffic signals, and the phase duration strategy is a duration of a traffic signal phase.

[0130] The above features regarding the traffic management system are the same as the features of the foregoing traffic signal light control method, and the functions and effects realized therein are also the same, and the details can be referred to the contents of the foregoing embodiments of the traffic signal light control method, which will not be repeated herein.

[0131] The embodiments of the present application further provide a computer-readable storage medium having encoded thereon computer-readable instructions that when executed by a system cause the system to:

[0132] obtain traffic state information in a traffic environment;

[0133] convey the traffic state information to a Large Language Model (LLM) ;

[0134] determine a traffic signal control strategy based on the traffic state information and the LLM; and

[0135] control working states of a plurality of traffic signals based on the traffic signal control strategy.

[0136] As shown in FIG. 15, the computer-readable storage medium 151 has stored computer-readable instructions 1511, and the computer-readable instructions 1511 is executed by the the traffic signal control system in the foregoing embodiments to perform the traffic signal control method in the foregoing embodiments when executed by the processor unit 152. Further, the computer-computer-readable storage medium 151 may also be a USB flash disk, a removable hard disk, a read-only memory (ROM) , a RAM, a magnetic disk, a CD-ROM, or various other media that can store computer-readable instructions 1511.

[0137] In addition, the computer-computer-readable storage medium 151 of the embodiments of the present application is further configured to perform any one of the aforementioned traffic light control methods, and has the features of the embodiments of the aforementioned traffic light control method and the above-described traffic light control system, and achieves the same functions and effects. Therefore, the features of the computer-computer-readable storage medium may be referred to in the embodiments of the traffic light control method and system, which will not be repeated herein.Industrial Applicability

[0138] The effect of the traffic signal control method, system, and computer-readable storage medium proposed in the present application will be illustrated in the following with specific comparative examples.

[0139] A comprehensive analysis of the decision-making processes is conducted and utilized by the LA-Light across a variety of traffic conditions. Firstly, the decision of the method provided in the present application is compared with that of the UniTSA in different traffic scenarios. As shown in FIG. 16, the LA-Light framework demonstrates enhanced adaptability. For example, in the EMV Scenario at the 3 Way INT, the UniTSA changes the signal from phase 1 to 2, giving priority to the larger volume of vehicles turning left from the west side (W-l) . However, this action inadvertently causes a delay for the emergency vehicle. In contrast, LA-Light, utilizing the LLM's nuanced understanding of the scenario, changes the green phase to 2, which, despite the queue forming on the north side (N-l) , allows the emergency vehicle to pass without delay. Similarly, in the Sensor Outage (SO) Scenario at the 4-Way INT, UniTSA fails to receive accurate data from the north side due to a damaged sensor. As a result, it mistakenly extends the duration of the phase p4, which worsens the congestion on the north side. LA-Light, on the other hand, identifies the faulty sensor data and integrates this information with the real-time traffic conditions on the south side. It infers that congestion is increasing on the north side and accordingly adjusts the signal to green phase P1, which is for the north-south through traffic, effectively reducing the congestion at the intersection.

[0140] FIG. 17 is a diagram illustrating a decision-making process of the LA-Light in response to various urban traffic scenarios according to an embodiment of the present application. As shown in FIG. 17, the LA-Light begins its evaluation by analyzing both the static and dynamic aspects of the traffic intersection. These include the intersection's physical configuration, preset signal phase timings, and real-time traffic density for each lane and direction. During this initial phase, LA-Light identifies a discrepancy: the sensor on the E1-s (E1 straight) approach reports an occupancy of -100%, clearly signaling a fault, as negative occupancy is not feasible. Simultaneously, it notes significant congestion in the E3-sdirection, with an occupancy of 62.87%, and the E2-l direction, with 54.00%occupancy. Facing incomplete data, LA-Light uses an auxiliary decision-support tool for a reference solution. This tool suggests prioritizing phase 4, managing left turns from E2 and E4 approaches, aiming to reduce queue lengths, especially for the congested E2-l movement.

[0141] However, LA-Light applies more complex reasoning. It considers the heavy congestion on the E3-sdirection and the inoperative E1-ssensor, requiring a strategic response. The faulty sensor makes it impossible to estimate the queue on the E1-sapproach accurately, which may be significant. LA-Light decides to deviate from UniTSA's advice, opting for phase 1 to alleviate traffic from the E1-sand E3-sdirections, likely facing higher demand. Additionally, LA-Light recommends a prompt on-site inspection of the E1-sapproach by traffic personnel to counter unreliable sensor data. This human intervention ensures the resilience of the decision-making process, even when automated systems are compromised.

[0142] In the present application, both synthetic and real-world datasets are utilized to  evaluate the performance of the proposed LA-Light in traffic signal control. The synthetic dataset includes scenarios of isolated intersections with varying layouts: a three-way intersection and a four-way intersection, both featuring three lanes per approach. For real-world data, the present application focuses on the urban road network surrounding Chenta Road in the Songjiang District of Shanghai, a region known for its heavy traffic congestion due to high-density construction and commercial activities. The network, as shown in FIG. 18, encompasses 18 intersections, including a combination of twelve four-way and six three-way intersections. To collect traffic flow data, video surveillance from these intersections is analyzed. The number of vehicles per minute is recorded, which was then utilized to recreate the traffic scenarios in the Simulation of Urban MObility (SUMO) platform.

[0143] To ensure a comprehensive evaluation of LA-Light's performance in complex urban traffic situations, three specific test scenarios for each road network are designed, as shown in FIG. 19-21. The first scenario, as shown in FIG. 19, is the Emergency Vehicle (EMV) Scenario. In this scenario, emergency vehicles, such as ambulances, are introduced into the normal traffic flow, making up 1%of the overall traffic volume. These vehicles are assigned random origins and destinations to test the system's capability to prioritize them effectively. The second scenario, as shown in FIG. 20, is the Roadblock Incident (RBI) Scenario. This scenario mimics the dynamic nature of urban traffic by introducing random roadblocks, which stand in for unexpected incidents like traffic accidents. These roadblocks occur for 10%of the total simulation time, temporarily closing off affected lanes and testing the system's responsiveness to such events. The third scenario, as shown in FIG. 21, is the Sensor Outage (SO) Scenario. This scenario simulates sensor reliability challenges by introducing a 10%chance of sensor failure at any moment during the simulation. Such a failure results in the complete loss of vehicle detection data for that direction, challenging the system's ability to maintain efficient traffic control despite missing information.

[0144] In the following, the traffic operation efficiency of the conventional TSC methods, the RL-based TSC methods, and the LA-Light method of the present application are compared by statistical data. The performance of the proposed LA-Light framework alongside various benchmark methods is assessed across three distinct road maps, with each map featuring three unique scenarios. Table 2 presents the results under the EMV Scenario. LA-Light's comparative analysis against traditional traffic signal control methods, RL-based approaches, and other LLM-based methods demonstrates a comprehensive enhancement in traffic signal control efficiency for both regular and emergency vehicles. For example, in comparison with the Maxpressure approach, LA-Light achieves a 32.1%reduction in the Average Travel Time (ATT) for the four-way intersection (4-Way INT) and a 10.8%reduction for the Shanghai network. In terms of emergency vehicle efficiency, indicated by the Average Emergency Travel Time (AETT) , LA-Light shows a significant improvement, reducing AETT by 15.3%in the Shanghai network compared to Maxpressure. This improvement is attributed to the integration of RL algorithms within LA-Light, which refines decision-making processes in standard traffic scenarios.

[0145] Table 2-Performance comparison under the Emergency Vehicle (EMV) Scenario

[0146] When compared with RL-based methods, LA-Light does not always surpass in ATT due to its prioritization of emergency vehicles, which can extend the wait for other vehicles. In contrast, RL-based methods typically do not account for emergency vehicle priority. Consequently, LA-Light achieves significantly better efficiency for emergency response. For example, while AttendLight achieves a 3.3%lower ATT at a three-way intersection scenario (3-Way INT) , LA-Light shows a remarkable reduction in AETT for the same condition. This highlights LA-Light's capability to assimilate environmental observations and adjust to dynamic changes, emphasizing its robustness in urgent situations without specialized fine-tuning. Furthermore, when LA-Light is compared to another LLM-based method, Vanilla-LLM, it exhibits a notable improvement in ATT and AWT across all tested networks. Specifically, in the complex Shanghai network, LA-Light reduces ATT by 16.5%, compared to Vanilla-LLM. The integration of existing TSC methods within LA-Light's decision-making framework likely contributes to its enhanced traffic efficiency, demonstrating the potential of LLM-assisted approaches in urban traffic management.

[0147] Table 3-Performance comparison under the Roadblock Incident (RBI) Scenario

[0148] Table 3 details the performance outcomes in the RBI Scenario, where LA-Light's adaptability to unforeseen traffic events is pronounced. Traditional transportation methods like Webster, SOTL, and Maxpressure, which depend on fixed algorithms, are less adept at adjusting to sudden changes such as those introduced by roadblocks. RL-based methods are more adaptable but are still constrained by their reliance on previously learned strategies, which may not be sufficiently flexible for drastic alterations in road capacity. LA-Light, leveraging the real-time processing abilities of its LLM, dynamically responds to these traffic alterations. In the 3-Way INT scenario, LA-Light shows a 2.2%reduction in ATT in comparison to IntelliLight, the most effective RL-based method. In the more intricate Shanghai network, LA-Light's performance is even more notable, with the 6.8%improvement in ATT over UniTSA, the best RL-based approach.

[0149] Table 4-Performance comparison under the Sensor Outage (SO) Scenario

[0150] Finally, Table 4 shows the performance under the SO Scenario. Similar to the conclusion under RBI Scenario, the result demonstrates LA-Light's capability to effectively manage traffic even with sensor failures, a rare but critical challenge. For example, in the complex Shanghai network, LA-Light significantly reduces ATT by 20.0%, compared to the Maxpressure method. While RL-based methods exhibit a degree of adaptability, they struggle in the absence of sensor data. The method of the present application, LA-Light, addresses this shortcoming by utilizing common sense reasoning and the tools at hand. Compared to UniTSA, the top-performing RL-based method in this scenario, LA-Light achieves a 7.7%improvement in ATT. Moreover, LA-Light's performance excels against another LLM-based method, Vanilla-LLM, with an 11.7%betterment in ATT, highlighting the efficiency of its decision-making process in scenarios with incomplete data, and confirming its robustness as a reliable traffic management solution.

[0151] The comparative analysis of LA-Light's performance in varying scenarios underscores its reliable effectiveness amidst environmental uncertainties. Notably, within the Shanghai network, the shift from the EMV to the SO scenario resulted in a modest increase of 6.9%in ATT, demonstrating LA-Light's commendable stability. This performance is markedly superior to RL-based methods, such as UniTSA, which  exhibited a significant performance drop, 16.1%in ATT, under the same conditions. Further, LA-Light's emergency response metrics, specifically AETT, remain the best among all benchmarks in all three scenarios. This consistency confirms the resilience of the LA-Light framework, which leverages LLMs to ensure minimal performance decline even in less common situations. These results emphasize LA-Light's capability to deliver dependable traffic signal control in diverse and complex urban environments.

[0152] In summary, the LA-Light framework incorporates LLMs to improve decision-making in the dynamic and complex environment of urban traffic management. By combining the sophisticated reasoning abilities of LLMs with established TSC methods and real-time data collection tools, a new approach to traffic signal control is established. The comprehensive evaluation of LA-Light, conducted across three distinct traffic networks and nine unique scenarios, has shown its effectiveness without necessitating further training. Compared to traditional methods, LA-Light has consistently achieved reductions in ATT. Additionally, it has demonstrated improvements in metrics for emergency response vehicles, such as AETT. Analysis of the decision-making process in various contexts revealed that LA-Light excels not only in operational performance but also in decision-making clarity, courtesy of the LLMs’ explanatory capabilities. Moreover, LA-Light adeptly identifies and utilizes the most suitable tools for a given traffic situation, providing clear insights into its decision-making rationale.

[0153] It is to be noted that the above-mentioned method embodiments are expressed as a series of action combinations for the sake of simplicity of description, but the person skilled in the art should be aware that the present application is not limited by the order of the described actions, because some of the steps may be carried out in a different order or at the same time according to the present application. Secondly, the person skilled in the art should also be aware that the embodiments described in the specification are preferred embodiments, and the actions and modules involved are not necessarily necessary for the present application.

[0154] In the above embodiments, the description of each embodiment has its own focus, and the part that is not described in detail in a certain embodiment can be referred to as the relevant description of other embodiments.

[0155] Described above are the embodiments of the traffic signal control method, system, and computer-readable storage medium provided in the present application. For the technical personnel in the field, based on the ideas of the embodiments of the present application, there may be changes in the specific implementation and application scope. In summary, the contents of this specification should not be construed as a limitation of the present application.

Claims

1.A traffic signal control method based on Large language model (LLM) , applied to a traffic management system integrated with the Large language model, comprising:obtaining traffic state information in a traffic environment;transmitting the traffic state information to the LLM;determining a traffic signal control strategy based on the traffic state information and the LLM; andcontrolling working states of a plurality of traffic signals based on the traffic signal control strategy.2.The method of claim 1, wherein the traffic state information comprises at least one of the following: an intersection layout, a signal phase structure, an occupancy in each traffic movement, a queue length in each traffic movement, a current traffic signal phase, and a junction situation.3.The method of claim 1, wherein before the step of obtaining the traffic state information in a traffic environment, the method further comprises:configuring the LLM in the traffic management system, thereby defining the role of the LLM in the traffic management system and determining traffic control tools to be selected.4.The method of claim 1, wherein the step of configuring the LLM in the traffic management system comprises:detailing the LLM's role in the traffic management system;providing a catalog and description of available traffic control tools;compiling data from tool feedback information and history information of preceding cycles;emphasizing compliance with traffic regulations and safety guidelines in tool deployment; anddefining a protocol for the LLM's decision communication to ensure proper tool utilization.5.The method of claim 1, wherein the traffic control tools comprise perception tools, comprising static perception tools and dynamic perception tools; wherein the static perception tools are configured to capture unchanging traffic state parameters in the traffic environment, and the dynamic perception tools are configured to collect real-time, fluctuating traffic state parameters.6.The method of claim 3, wherein the traffic control tools further comprise decision tools, comprising decision support tools and decision evaluation tools; the step of determining the traffic signal control strategy comprising:utilizing the decision support tools to determine available control strategies;utilizing the decision evaluation tools to validate and justify the available control strategies to determine the traffic signal control strategy.7.The method of claim 6, wherein the decision evaluation tools further comprise a justify decision logic tool, and the justify decision logic tool is configured to explain rationale information behind the traffic signal control strategy; the method further comprises:outputting the rationale information.8.The method of claim 1, wherein the traffic signal control strategy comprises a traffic signal phase strategy and a phase duration strategy; wherein the traffic signal phase strategy is a combination of operating states of the plurality of traffic signals, and the phase duration strategy is a duration of the traffic signal phase.9.A traffic management system integrated with a Large language model (LLM) , comprising:a processing unit; anda computer-readable storage medium having encoded thereon computer-readable instructions that when executed by the processing unit cause the system to:obtain traffic state information in a traffic environment;transmit the traffic state information to the LLM;determine a traffic signal control strategy based on the traffic state information and the LLM; andcontrol working states of a plurality of traffic signals based on the traffic signal control strategy.10.The traffic management system of claim 9, wherein the traffic state information comprises at least one of: an intersection layout, an occupancy in each traffic movement, a queue length in each traffic movement, a current traffic signal phase, and a junction situation.11.The system of claim 9, wherein before the step of obtaining the traffic state information in a traffic environment, the processing unit is further implemented to:configure the LLM in the traffic management system, thereby defining the role of the LLM in the traffic management system and determining traffic control tools to be selected.12.The system of claim 11, wherein the LLM is configured in the traffic management system by:detailing the LLM's role in the traffic management system;providing a catalog and description of available traffic control tools;compiling data from tool feedback information and history information of preceding cycles;emphasizing compliance with traffic regulations and safety guidelines in tool deployment; anddefining a protocol for the LLM's decision communication to ensure proper tool utilization.13.The system of claim 11, wherein the traffic control tools comprise perception tools, comprising static perception tools and dynamic perception tools; wherein the static perception tools are configured to capture unchanging traffic state parameters in the traffic environment, and the dynamic perception tools are configured to collect real-time, fluctuating traffic state parameters.14.The system of claim 11, wherein the traffic control tools further comprise decision tools, comprising decision support tools and decision evaluation tools; the step of determining the traffic signal control strategy comprises:utilizing the decision support tools to determine available control strategies;utilizing the decision evaluation tools to validate and justify the available control strategies to determine the traffic signal control strategy.15.The system of claim 14, wherein the decision evaluation tools further comprise a justify decision logic tool, and the justify decision logic tool is configured to explain rationale information behind the traffic signal control strategy; the processing unit is further implemented to:output the rationale information.16.The system of claim 9, wherein the traffic signal control strategy comprises a traffic signal phase strategy and a phase duration strategy; wherein the traffic signal phase strategy is a combination of operating states of the plurality of traffic signals, and the phase duration strategy is a duration of a traffic signal phase.17.A computer-readable storage medium having encoded thereon computer-readable instructions that when executed by a system cause the system to:obtain traffic state information in a traffic environment;transmit the traffic state information to a Large language model (LLM) ;determine a traffic signal control strategy based on the traffic state information and the LLM; andcontrol working states of a plurality of traffic signals based on the traffic signal control strategy.

Images