一位資料科學家正在為城市交通系統建模，其中每個號誌的交通行為都與其他號誌相關，並受到微小的隨機雜訊影響。為了分析模式並減少壅塞，哪種建模方法最合適？

此情境中，每個交通號誌的行為都相互關聯，且存在隨機雜訊，這是一個典型的多代理系統。多代理強化學習 (MARL) 最適合此類問題，因為它能讓每個代理（交通號誌）學習如何與其他代理互動，以達到整體最佳化（減少壅塞）。學習相關均衡策略 (correlated equilibrium) 能確保所有代理的行動協調一致，而非僅追求自身利益。 將其視為單代理強化學習問題不適用，因為它忽略了各號誌間的相互依賴性。監督式學習和非監督式學習雖然能預測交通流量或識別模式，但它們無法主動學習並調整策略以優化系統，也無法尋求均衡策略來解決多代理互動問題。