SimTIO：基于仿真的多代理 LLM 组合交通干预优化框架

流量分析师必须将诊断出的瓶颈转化为可执行的干预措施，而不允许局部改进降低网络范围的性能。本研究提出了 SimTIO，这是一个基于模拟的多智能体 大语言模型 框架，用于在明确的操作约束下组成和选择交通干预措施。 SimTIO 首先模拟未经修改的 SUMO 场景，以确定一组十个瓶颈边缘的基线冻结。然后，依据仿真结果的采样器初始化信号控制、走廊速度和需求保留路由操作，而三个专家代理则使用测量的模拟反馈从验证器确认的突变目录中选择单参数细化。兼容的动作被组合并重新模拟，以便测量而不是推断它们的交互效果。最终选择最大限度地减少瓶颈时间损失，同时限制网络范围的延迟、邻近道路溢出、吞吐量损失和传送事件，并保留未修改的场景作为无操作防护。在涵盖五个美国城市网络、三个合成需求种子以及每个场景 2,400 个出发地-目的地行程的 15 个案例中，SimTIO 将 Top-10 瓶颈时间损失平均减少了 9.18%，将网络范围内的延迟减少了 2.78%。在相同的七次模拟预算下，它在 86.7% 的案例中找到了可行的改进计划，相比之下，扎根随机搜索的这一比例为 73.3%，确定性启发式的比例为 80.0%，尽管 Top-10 改进的差异在统计上并不显着。这些结果支持使用 LLM 作为受约束、反馈引导的本地搜索算子，同时保留可执行工具、微观模拟和显式安全约束的最终决策权。