Towards Responsible and Reliable Traffic Flow Prediction with Large Language Models

本文是LLM系列文章，针对《Towards Responsible and Reliable Traffic Flow Prediction with Large Language Models》的翻译。

摘要

交通预测对智能交通系统至关重要。得益于深度学习在捕获交通数据潜在模式方面的强大功能，它取得了重大进展。然而，最近的深度学习架构需要复杂的模型设计，并且缺乏对从输入数据到预测结果的映射的直观理解。由于交通数据的复杂性和深度学习模型固有的不透明性，在交通预测模型中实现准确性和责任性仍然是一个挑战。为了应对这些挑战，我们提出了一种具有大型语言模型的负责任和可靠的交通流量预测模型（R2TLLM），该模型利用大型语言模型（LLM）生成负责任的交通预测。通过将多模态交通数据转换为自然语言描述，R2T-LLM从综合交通数据中捕捉复杂的时空模式和外部因素。LLM框架使用基于语言的指令进行微调，以与时空交通流数据保持一致。根据经验，R2T-LLM与深度学习基线相比具有竞争力的准确性，同时为预测提供了直观可靠的解释。我们讨论了条件未来流量预测的时空和输入依赖性，展示了R2T-LLM在各种城市预测任务中的潜力。本文有助于推进负责任的交通预测模型，并为未来探索LLM在交通领域的应用奠定了基础。据我们所知，这是第一项使用LLM对交通流量进行负责任和可靠预测的研究。

1 引言

2 相关工作

3 方法

4 实验设置和结果

5 结论和未来工作

总之，我们的研究引入了R2T-LLM，这是一种为责任和可靠性而设计的新型交通预测模型。通过整合多模态输入并采用基于语言的表示，R2T-LLM在提供预测见解的同时，与最先进的模型相比，实现了具有竞争力