Embracing Large Language Models in Traffic Flow Forecasting

本文是LLM系列文章，针对《Embracing Large Language Models in Traffic Flow Forecasting》的翻译。

摘要

交通流预测旨在根据历史交通状况和道路网络预测未来的交通流。这是智能交通系统中的一个重要问题，已经提出了许多方法。现有的工作主要集中在捕获和利用时空依赖性来预测未来的交通流量。尽管前景光明，但它们在适应交通状况的测试时间环境变化方面存在不足。为了应对这一挑战，我们建议引入大型语言模型（LLM）来帮助交通流量预测，并设计了一种名为大型语言模型增强交通流量预测器（LEAF）的新方法。LEAF采用两个分支，分别使用图和超图结构捕获不同的时空关系。这两个分支首先单独进行预训练，在测试期间，它们会产生不同的预测。基于这些预测，使用大型语言模型来选择最可能的结果。然后，将排名损失作为学习目标，以提高两个分支的预测能力。在几个数据集上进行的广泛实验证明了所提出的LEAF的有效性。

1 引言

2 相关工作

3 方法

4 实验

5 结论

本文提出了一种名为大语言模型增强交通流预测器（LEAF）的新框架，该框架由双分支交通流预测器和基于LLM的选择器组成。预测器采用两个分支：图分支和超图分支，分别捕获成对和非成对的时空关系。选择器利用LLM的判别能力来选择预测器的最佳预测。然后，选择结果用于监督排名损失的预测器。我们进行了广泛的实验来证明所提出的L