交通信号控制(Traffic Signal Control，TSC)是依据路网交通流数据，对交通信号进行初始化配时和控制，同时根据实时交通流状况，实时调整配时方案，实现交通控制的优化。交通控制从被控区域的最小延误时间出发，获得最佳的配时方案，是系统化最优的思想。
为获得整个路口交通效益的最大，可采用两种方法：一是采用数学模型对交叉口各个方向的车辆到达作准确的预测，根据运筹学和最优化理论确定各个方向的绿灯时间；二是采用智能控制的方法对交叉口进行控制。由于城市交通系统具有随机性、模糊性、不确定性等特点，很难对其建立数学模型。计算机的出现和广泛应用促成了人工智能研究热潮的掀起，针对传统交通控制系统的固有缺陷和局限性，许多学者把人工智能的实用技术相继推出并应用到交通控制领域。
1 交通控制领域中人工智能研究方法
1.1 基础研究方法
交通控制领域中人工智能基础研究方法有模糊控制、遗传算法、神经网络，另外还有蚁群算法、粒子群优化算法等。
模糊系统 模糊逻辑是一种处理不确定性、非线性等问题的有力工具，特别适用于表示模糊及定性知识，与人类思维的某些特征相一致，故嵌入到推理技术中具有良好效果。模糊控制能有效处理模糊信息，但是产生的规则比较粗糙，没有自学习能力。
遗传算法遗传学通过运用仿生原理实现了在解空间的快速搜索，广泛用于解决大规模组合优化问题。在解决实时交通控制系统中的模型及计算问题时，可以通过遗传算法进行全局搜索和确定公共周期，也可以利用遗传算法来解决面控系统中各交叉路口信号控制方案的最优协作问题，有效避免可能由此引起的交通方案组合爆炸后果。
神经网络 人工神经网络擅长于解决非线性数学模型问题，并具有自适应、自组织和学习功能，广泛应用于模式识别、数据分析与处理等方面，其显著特点是具有学习功能。
1.2 城市交通网路区域协调
区域协调是指在交通中心的宏观调控作用下，根据不同的交通流量，最大限度地发挥路口之间互补的优势，均衡每个路口的交通流量，从而提高道路的通行能力。他要求路口之间(即包括城市道路与快速路、城市道路与城市道路)的良好协作，然而路口之间是相互影响、相互作用的，因此为实现区域协调必然会引起路口之间出现一定程度的冲突。如何解决这些冲突是一个亟需解决的重要问题。路网协调控制可以采用上述人工智能的基础研究方法，近年来Agent技术开始应用于交通控制领域。
基于Multi-Agent的城市交通网络智能决策系统研究通过应用Agent技术，实现了交通网络系统理论方法，专家的知识经验和计算机之间的相互结合。系统的知识存储于各个Agent中，以便于知识的利用与获联，该系统具有良好的可扩展性。
基于Agent的智能交通控制系统建模的首要任务是将交通控制系统的各功能模块转化成有独立功能的Agent，并根据各个Agent所完成的功能不同，分别建立各个Agent的功能结构，然后让这些Agent之间进行交互和协调，共同完成系统任务。图1是一种较为通用的结构。
智能交通控制系统递阶控制结构各层的功能如下：
组织层 控制系统的最高层，由智能交通控制系统决策Agent构成，具有最高的决策权力，对整个系统的交通运行状况进行评估，根据各方面的汇总信息，进行推理、规划和决策，实现所有区域控制系统间的协作，以追求总体控制效果最优，完成交通控制系统的管理。
协调层 控制系统的中间层，由区域协调Agent构成，负责本区域内各路口的监测维护工作，对所控制区域的某几个路口进行强行模式设置，以及负责对区域内紧急事件的处理工作，各区域协调Agent之间还可根据需要进行信息的交流及合作。
控制层 控制系统的最底层，主要由路口Agent、路段Agent构成，此外，还包括交通灯Agent、车辆Agent等，是实现交通控制任务的主要承担者。
路口Agent具有关于本路口以及其所连接路段的信息，各个方向的交通流在此会聚，并形成车辆的分流、冲突等交通现象，交通的拥挤往往也主要发生在路口，因此，路口Agent非常重要，他可将本路口的交通信息实时通知给其相邻路口或区域控制中心，并能根据需要完成控制中心下达的控制工作。路段Agent用以实时统计各条路段的具体交通信息，通过传感器可了解车辆的数量和当前的运行位置以及路段当前的拥挤情况。
一个实际交通系统和各交通元素Agent之间的交互是非常频繁和复杂的，交通元素Agent的结构、功能以及他们之间的交互关系，需要根据系统的具体要求进行详细的分析和设计。