HiLLTS：面向可持续交通的零样本分层LLM引导交通信号控制

城市交通拥堵显著增加燃油消耗、温室气体排放与通勤延误，给现代城市造成巨大经济损失与环境危害。固定时序配时、感应控制与基于强化学习（RL）的方法等传统交通信号控制策略具有不同程度的适应性；然而基于RL的方法在跨路网或跨需求状态迁移时，可能需要大量再训练、精细的奖励设计与可观的仿真数据。为应对这些挑战，我们提出HiLLTS，一个LLM引导的交通信号控制框架，采用由中央协调智能体、区域层与多个路口级智能体组成的分层三层架构。实验结果表明其在拥堵与环境性能上均取得一致改进。与各场景下最强的非LLM基线相比，HiLLTS在低拥堵场景下将平均等待时间降低36.73%，在高拥堵场景下降低14.71%，平均CO2排放分别降低7.87%与8.57%。对比更弱的基线则增益更大：低拥堵下，HiLLTS相对Fixed-Time控制实现最高18.00%的减排与62.07%的等待时间下降；高拥堵下，相对Max Pressure观测到最高28.89%的减排与40.36%的等待时间下降。消融研究进一步验证了LLM引导协调相对于基于规则控制的贡献。