Nov, 2023

ChatTraffc: 通过扩散模型实现文本到交通生成

PDF
TL;DR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。
traffic predictiongenerative modelstext-to-traffic generationdiffusion modelgraph convolutional network
发现论文，激发创造
  • BjTT: 用于交通预测的大规模多模态数据集

    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

  • 基于语言指导的场景级扩散交通模拟

    提出了一种 CTG++ 基于学习的交通流模型，它可以通过语言指令进行指导，从而解决了交通模型控制需要领域专业知识，对实践者使用困难等问题，通过经过广泛的评估，我们展示了该方法在生成实际且符合查询要求的交通仿真方面的有效性。

    Jun, 2023

  • TrafficGPT：查看、处理和交互交通基础模型

    通过将 ChatGPT 和交通基础模型相结合，TrafficGPT 在交通管理领域中不仅推动了交通管理的进步，也为在该领域利用人工智能能力提供了一种新的方法。

    Sep, 2023

  • 条件引导扩散控制交通仿真

    本文介绍了一种基于条件扩散模型的可控交通生成技术，利用扩散建模和可微分逻辑为实现交通规则生成提供了理论基础，并在 nuScenes 数据集上得到了验证。

    Oct, 2022

  • 利用大型语言模型增强基于文本数据的交通预测

    利用大语言模型处理文本信息并与历史交通数据结合，提出了一种改进交通预测准确度的新方法。

    May, 2024

  • 使用图神经网络合成交通数据集

    该论文介绍了一种新的方法来缩小 “模拟 - 实际” 之间的差距，通过从 2D 交通模拟和录制的路口画面中创建逼真的图片。该方法结合了条件生成对抗网络和图神经网络，利用 GNN 在不同抽象层次上处理信息的能力以及分段图像来保留区域数据，创造基于模拟交通场景的真实城市交通图像。这种方法的独特之处在于能够将结构化和可读性高的条件（以图形编码）有效地转化为逼真的图像。该研究成果为需要丰富的交通图像数据集的应用提供了贡献，从数据增强到城市交通解决方案。论文进一步提供了一个应用程序来测试该模型的能力，其中包括生成具有各种实体的手动定义位置的图像。

    Dec, 2023

  • TrafficGPT：面向多尺度空间 - 时间代理框架的交通分析与生成

    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

  • 语言条件下的交通生成

    该研究论文介绍了一种名为 LCTGen 的模型，它结合了大型语言模型和基于变压器的解码器架构，利用语言作为动态交通场景生成的监督来源，其在无条件和条件下的交通场景生成方面表现优于之前的研究，并且在现实感和保真度方面更好。

    Jul, 2023

  • TelTrans：基于多类型电信数据的多维图建模在交通评估与预测中的应用

    通过利用广泛的蜂窝交通覆盖捕捉移动模式，我们提出了地理蜂窝交通（GCT）流量作为解决基于位置检测器的交通预测局限性的新数据源。针对车辆相关的 GCT 流量预测，我们提出了一个图神经网络，它整合了多变量、时间和空间因素，提高了准确性。实验结果显示我们的模型在长期预测方面优于基准模型，同时我们也强调了将 GCT 流量整合入交通系统的潜力。

    Jan, 2024

  • 语言驱动的交互式交通轨迹生成

    提出了一种通过自然语言控制生成真实轨迹的方法，该方法可以生成交互式交通轨迹，并表现出比之前最先进方法更高的性能，通过多样的自然语言命令实现了对交互式交通轨迹的更逼真、可控的生成。

    May, 2024