城市交通拥堵中一种严重的连锁后果是“排队溢出”（queue overflow）：当某个路口前的车辆排队长度超过其可容纳空间时，车流会倒灌至上游路段，堵塞上游交叉口，进而触发级联式的路口锁死（gridlock）。目前主流的交通信号控制（TSC）算法大多以提升通行量为主要优化目标，在高峰时段往往难以有效应对排队溢出问题，反而可能加剧拥堵并带来安全隐患。针对这一痛点，研究者提出了 OverFlowLight 这一实时框架，旨在主动预防并化解溢出，同时提升整体信号控制表现。
OverFlowLight 的核心创新之一，是引入了一套能够实时、准确检测排队溢出的机制。该机制并非依赖单一数据源，而是融合了摄像头与雷达的多模态感知信息，从而更可靠地判断队列是否已超出路口承载能力。一旦检测到溢出发生，系统会动态生成并插入专门的“溢出相位”（overflow phase）到信号周期中，用于快速疏散造成堵塞的排队车辆，从而在拥堵扩散之前进行干预。
在控制架构上，OverFlowLight 采用了混合式设计。它将基于规则的快速溢出干预与强化学习（RL）等控制器后端相结合：前者负责在检测到溢出时以较低延迟做出即时响应，后者则着眼于更长时域内的整体效率优化。这种分层设计使系统既能应对突发性溢出，又能持续改善长期的信号配时表现。值得注意的是，该框架能够与现有的基于强化学习的 TSC 智能体无缝集成，体现出良好的模块化和实际可部署性。
研究团队在三个主要城市的 43 个路口开展了大规模真实部署，以验证框架的实际效果。实证结果显示，与已部署的基线方案相比，OverFlowLight 将溢出事件减少了 60.4%，并使路网通行量提升了 18.2%。此外，该系统还显著降低了对人工干预的依赖——在传统专家手工调优的信号方案中，人工介入往往不可或缺，而 OverFlowLight 大幅减少了这一需求。
作者指出，这项工作是首个面向主动预防交通路口锁死的实用、可扩展且数据驱动的框架，为构建更具韧性和效率的城市交通系统提供了关键组件。论文由 Mingyuan Li 等共 8 位作者完成，于 2026 年 5 月 24 日提交至 arXiv，编号为 arXiv:2606.27381v1，主题归类为机器学习（cs.LG）与人工智能（cs.AI）。研究团队还公开了演示视频、代码与数据集，托管于匿名链接 https://anonymous.4open.science/r/OverFlowLight-FBF9，供同行复现与进一步研究。