본 논문은 대규모 복잡한 환경에서 지능형 교통 시스템(ITS)의 교통 신호 제어(TSC) 문제를 해결하기 위해 동적 그래프 신경망(DGNN)과 위상 데이터 분석(TDA)을 통합한 새로운 다중 에이전트 강화 학습(MARL) 프레임워크를 제시한다. 특히, 대규모 언어 모델(LLM)의 전문가 혼합(MoE) 아키텍처에서 영감을 얻어, 위상적 서명을 활용하여 그래프 특징을 분리하여 처리하는 위상 지원 공간 패턴 분리(TSD) 향상 MoE를 제안한다. 이를 통해 동적이고 이질적인 지역 관측값을 특징짓는 모델의 능력을 향상시키고, 다중 에이전트 근사 정책 최적화(MAPPO) 알고리즘의 정책 및 가치 네트워크에 TSD 모듈을 통합하여 의사결정 효율성과 강건성을 향상시킨다. 실제 교통 시나리오에 대한 광범위한 실험과 이론적 분석을 통해 제안된 프레임워크의 우수한 성능을 검증하고, 대규모 TSC 작업의 복잡성을 해결하는 모델의 확장성과 효율성을 강조한다.
