Leveraging Large Language Models (LLMs) for Traffic Management at Urban Intersections

本文是LLM系列文章，针对《Leveraging Large Language Models (LLMs) for Traffic Management at Urban Intersections: The Case of Mixed Traffic Scenarios》的翻译。
@[TOC](利用大型语言模型 (LLM) 进行城市交叉口的交通管理：混合交通场景案例)

摘要

由于环境的动态变化，城市交通管理面临着巨大的挑战，传统算法无法快速实时适应这种环境并预测可能的冲突。本研究探讨了大型语言模型 (LLM)（特别是 GPT-4o-mini）改善城市十字路口交通管理的能力。我们使用 GPT-4o-mini 来针对各种基本场景实时分析、预测位置、检测和解决十字路口的冲突。本研究的主要结果是调查LLM是否能够通过提供实时分析来逻辑推理和理解场景，从而提高交通效率和安全性。该研究强调了LLM在城市交通管理领域创造更智能、更具适应性的系统的潜力。结果表明，GPT4o-mini 能够有效地检测和解决交通繁忙、拥堵和混合速度条件下的冲突。在多个交叉路口、有障碍物和行人的复杂场景中，冲突管理也取得了成功。结果表明，LLM的整合有望提高交通控制的有效性，从而实现更安全、更高效的城市交叉口管理。

1 引言

2 背景

3 方法

4 结果与讨论

5 结论

本文提出了一个现实场景，其中 LLM（特别是 GPT-4o-mini）可用于