Graphormer如何优化动态车道与限速控制？

引言

随着网联自动驾驶汽车（CAV）的普及，道路的车道方向和限速值有望实现高频动态调整。然而，这种灵活性背后隐藏着一个关键挑战：如何确保交通网络在重新分配车道和限速时不会导致拥堵转移甚至路网割裂？一篇题为《Joint Dynamic Lane Reversal and Variable Speed Limit Control: A Graphormer-Based Approach》的研究提出了一种基于图变换器（Graphormer）的联合控制方法，旨在解决这一难题。

核心问题：单向路与网络连通性

动态车道反转（Lane Reversal）允许将部分车道方向反转以匹配高峰时段的车流方向，而可变限速（Variable Speed Limit）则通过调整限速值来平滑交通流。但若随意将道路改为单向，可能使某些交叉口变得不可达，从而破坏整个路网的连通性。该研究将问题形式化为：在保证所有交叉口相互可达（强连通）的前提下，联合优化车道分配与方向性限速。

为此，作者设计了一个基于图定向理论的动作解析算法，确保任何提议的车道方向变更只有在网络保持强连通时才会被采纳，否则进行松弛或回退。这一机制即使在车道清空阶段也能维持路网的连通性。

强连通性是图论中的一个基本概念：一个有向图被称为强连通的，当且仅当图中任意两个顶点之间都存在双向可达的路径。在交通网络中，交叉口是顶点，车道方向决定边的方向。若某条道路被改为单向，则原本可以通过该道路反向到达的交叉口可能变得不可达，导致网络被分割成多个互不连通的子图。强连通性比弱连通性（忽略方向后的连通性）更严格，是确保路网中任意两点间都能行车的关键条件。研究中采用的动作解析算法本质上是在每次车道方向变更时检查强连通性是否被破坏，若破坏则拒绝该动作或进行松弛，从而在动态调整中维持全局可达性。

Graphormer架构：全局端点关系感知的时空自注意力

传统的交通控制方法往往将各路段独立处理，忽略了路段之间的空间关联。该研究采用了一个共享的Transformer模型，其核心是名为GERASTSA（Global Endpoint Relation-Aware Spatio-Temporal Self-Attention）的注意力机制。该机制在所有“路段-时间”令牌上进行注意力计算，并引入路段端点之间的关系作为偏置，从而捕捉路网拓扑结构的全局影响。

模型首先在动作条件交通预测任务上进行预训练，然后利用逐路近端策略优化（PPO）进行微调，奖励函数混合了局部路段表现、相邻路段表现以及全网表现。这种设计使得各路段控制器能够协同优化全局目标。

Transformer是一种基于自注意力机制的神经网络架构，最初用于自然语言处理，其核心优势在于能够建模序列中任意两个位置之间的长距离依赖关系。在交通控制中，Transformer被用来处理“路段-时间”令牌序列，每个令牌代表某路段在某一时刻的状态。自注意力机制允许模型直接计算任意两个令牌之间的关联权重，从而捕捉全局的时空依赖。然而，标准Transformer缺乏对图结构（如路网拓扑）的显式建模能力，因此Graphormer通过引入图结构偏置（如端点关系、空间嵌入）来增强注意力计算，使其适用于图结构数据。

**PPO（Proximal Policy Optimization，近端策略优化）**是一种广泛应用于强化学习的策略梯度算法，以其稳定性和样本效率著称。PPO通过限制策略更新的步长（使用裁剪后的重要性采样比率）来避免训练过程中的剧烈波动，从而在连续动作空间和高维状态空间中表现良好。在本研究中，作者采用逐路PPO进行微调，即每个路段拥有独立的策略网络，但共享全局的Transformer编码器。奖励函数混合了局部路段表现、相邻路段表现以及全网表现，这种多尺度奖励设计促使各路段的控制器在优化自身的同时兼顾全局目标，实现协同控制。

实验结果：显著降低延误，但限速效果存疑

在6x6网格路网上的通勤高峰场景中，学习到的策略将约三分之二的道路在高峰方向设为单向，相比固定初始配置将每日延误降低了90%，相比经过调优的双向负载均衡器也降低了85%。然而，当测试时限制为双向道路，该策略的收益仅与负载均衡器相当，并且其学习到的限速值反而增加了延误。

预训练显著减少了超越固定配置所需的更新次数（约减半）。消融实验表明，移除关系偏置或空间嵌入会导致延误放大约五倍，说明这两个组件对性能至关重要。

启示与局限

该研究展示了图神经网络在动态交通控制中的潜力，尤其是通过保持网络强连通性来避免负面效应。但限速策略在双向场景下的负面影响提示，联合控制需要更精细的协调机制。未来工作或可探索限速与车道反转的更优耦合方式，以及在更复杂路网中的泛化能力。

总体而言，这项研究为动态车道管理提供了新的思路，其图定向理论与Transformer的结合值得关注。