本文探讨大型语言模型在智能交通系统中的未来应用，介绍了交通数据的不同模态的处理和 LLM 的运行方式。此外也提供了智能手机崩溃报告自动生成和分析框架作为应用案例。虽然具有潜在优势，但数据隐私、数据质量和模型偏差等挑战需予以考虑。

Mar, 2023

本研究探究了大规模用户研究，发现 ChatGPT 在交通控制问题中对于初学者的支持效果并不一致，尽管在一些情况下可以比专家取得更好的性能表现。

Jun, 2023

利用 AI 代理、多尺度交通数据、语义信息以及可视化，设计了 TrafficGPT 系统，实现多尺度交通预测和交互性能，通过实验验证其在真实道路数据集上的卓越表现。

May, 2024

通过使用 GPT-4V 对代表性交通事件视频进行实验，我们发现 GPT-4V 在某些经典交通事件中展现出了出色的认知、推理和决策能力，同时也发现了它在更复杂场景中的理解存在一定限制，这些限制值得进一步探索和解决。

Feb, 2024

TrafficGPT 是一个使用生成预训练模型和线性注意力机制解决长流分类和生成任务中的复杂挑战的深度学习模型，在分类任务中表现出卓越性能并达到了最新水平，在生成任务中，它与真实流量非常相似，并以低的 JS 散度和接近 0.5 的 F1 分数（代表随机猜测）区分生成的数据。

Mar, 2024

研究探索了如何将生成模型与描述交通系统的文本结合起来应用于交通生成，并命名为 Text-to-Traffic Generation (TTG) 任务。通过将扩散模型与图卷积网络 (Graph Convolutional Network, GCN) 相结合，提出了 ChatTraffic，这是第一个用于文本到交通生成的扩散模型。实验结果表明 ChatTraffic 可以从文本中生成逼真的交通情况。

Mar, 2024

在本研究中，我们提出了 ChatTraffic，这是一个将文本转化为交通场景的扩散模型，通过结合生成模型和描述交通系统的文本，解决了交通预测方法在异常事件敏感性和长期预测性能方面的挑战。通过结合图卷积网络和扩散模型以提取交通数据的空间相关性，并构建了一个大型的文本 - 交通数据集，实验证明 ChatTraffic 能够从文本生成逼真的交通场景。

Nov, 2023

引入 TrafficSafetyGPT，一种新颖的 LLAMA 模型，通过 TrafficSafety-2K 数据集进行了有监督微调，该数据集包含有政府出版的指导书和 ChatGPT 生成的指令 - 输出对的人工标签，以解决大型语言模型在交通安全领域任务中表现亚优的问题。

Jul, 2023

通过历史数据集训练的 CHATATC 大型语言模型在非安全关键的交通流量管理环境中进行了研究，测试了其查询和回应能力，并详细介绍了用于与 CHATATC 对话代理进行交互和协作的图形用户界面的设计。

Feb, 2024

使用自然语言指令，将现有广泛采用的大型语言模型（ChatGPT）用于从 GTFS 中检索信息的研究表明，GPT-3.5 能正确回答 77% 的多项选择题，使用程序合成的信息提取方法在简单问题上达到约 90% 的准确率，在复杂问题上达到约 40% 的准确率。

Aug, 2023