本研究比较了多智能体强化学习（MARL）与传统固定时间信号控制在交通信号优化中的效果。结果表明，MARL显著降低了平均等待时间，提高了通行能力，显示其在城市交通管理中的重要潜力。

本研究提出了一种新方法，解决了基于强化学习的交通信号控制中高维状态表示未能提升性能的问题，平均等待时间减少了17.9%。强调了车与基础设施通信的必要性，并探讨了模型压缩以提高计算效率。

本研究将大型语言模型（LLMs）与交通信号控制系统相结合，提供先进的推理和决策能力，以应对都市交通流量的复杂性和变动性。该方法在多种交通环境下表现出高效性，减少了平均等待时间20.4%。研究突显了LLMs改变交通管理的潜力。