在交通信號優先（TSP）領域，平衡公交延誤減少與非公交交通影響以及避免極端等待一直是一個挑戰。現有強化學習（RL）方法通常編碼公交感知特徵（如佔用率和時刻偏差），但優化固定獎勵或固定標量化，這限制了當機構優先級因時間段或中斷條件變化時的操作靈活性。
本文提出一種偏好條件的TSP控制器π(a|s,w)，它在最小/最大綠燈時間和過渡可行性約束下選擇下一信號相位，並可通過偏好參數w在運行時調整公交優先強調與總體交通延誤之間的權衡，而無需重新訓練。該控制器基於IntersectionZoo平台實現，通過引入約束信號控制/TSP包裝器，並採用公交普及率增強和基於時刻表的公交插入來擴展場景生成，解決了訓練期間稀疏公交優先事件的問題。
實驗將所提方法與固定時間控制、基於規則的TSP覆蓋以及固定權重PPO專家進行了對比。結果表明，單個學習到的條件策略在運行時偏好範圍內覆蓋了平滑的經驗權衡前沿，優於固定時間和基於規則的基線，並保持了約束可行性。尾部延誤診斷顯示，在中等偏好設置下，非公交外部性保持有限，但在高公交優先權重下可能大幅增加。
該研究的源代碼已公開在https://github.com/urbanAIthi/morl-tsp。論文已被第29屆IEEE國際智能交通系統會議（ITSC 2026）接收。這一工作為公交信號優先提供了更靈活的解決方案，有助於交通管理機構根據實時需求動態調整優先級。
本文詳細介紹了方法的理論基礎、實現細節和實驗驗證，展示了偏好條件策略在多目標優化中的優勢。通過將多目標強化學習與運行時偏好調節相結合，該工作為智能交通系統中的自適應控制開闢了新途徑。