路口信号灯学会分辨堵车是阵发还是断路：随机封路下等待时间恢复从329秒缩到245秒

路口信号控制开始把扰动写进每个路口自己的表示里，而不是让一套训练时固定的协同方式去吸收扰动。 此前的图注意力方法在训练后给出一个跨查询节点共享的邻居排序，正常流量下最优的协同模式会被原样带入受扰状态；另一类方法把路网压成单一隐向量，路口无法判断自己周边哪一部分变了、变了多久。 在受控合成4×4网格上，随机封路场景中等待时间的恢复时间为245秒，对比MacLight的329秒；中心封区场景中等待时间恢复快82秒、排队长度快95秒、平均速度快81秒。

每个路口先看邻居再回看历史，两步串起来回答跟谁协同、什么变化值得反应。 空间模块用GATv2按相邻路口对的联合状态打分，物理图不变但功能邻域随通行能力下降而改变；时间模块用Transformer编码器读取最近若干步已经带上下文的空间表示，区分短时噪声与持续的能力损失。 观测包含相位、最小绿灯指示、车道密度和排队饱和度，动作空间为八个可行相位，控制策略用PPO在集中训练、分散执行下学习；评估在SUMO 1.19的合成4×4网格与杭州4×4路网上进行，每个场景跑五个随机种子。

扰动被做成一套可复现的压力测试，而不只是更拥堵的流量。 常规评估多在固定需求文件下比较通行效率，很少把结构性失效单独列成场景。 测试集包含每300秒重抽8条边的随机封路、东西与南北走廊失效、中心广场封闭，以及按文献设定把期望速度降到0.8倍、最小车距从2.5米增到3.0米的降雨场景。

这套控制器在受控合成4×4网格和杭州4×4路网上评估，扰动与恢复分析只在合成网格上进行，以保证封路位置、时长和严重程度可复现。观测限于相位、最小绿灯指示、车道密度与排队饱和度，动作是八个可行相位，执行时只用本地观测和直接相邻路口的信息。适合关注信号控制鲁棒性评估的研究者与工程读者。

正常条件下的等待时间优势相对波动幅度较小，作者将其表述为有竞争力的表现而非统计上的优越。南北走廊失效场景中，本方法的性能退化率高于MacLight，作者归因于正常条件下基线更低带来的基线效应，绝对等待时间仍更低。降雨场景只调整期望速度和最小车距，作者说明这是文献启发的敏感性设定，不能当作真实降雨下的鲁棒性证据。