在智能交通领域，基于深度学习的 foundation model 技术面临着少样本、泛化性能差、缺乏多模态技术等挑战。为了促进基于 foundation model 的技术在交通场景的普及和智能交通产业的快速发展，我们设计并提出了首届 Foundation Model Challenge，其中包含全能型和跨模态图像检索两个实验任务。而我们还提供了一个新的基线和基准，名为 Open-TransMind。Open-TransMind 是第一个具有多任务和多模态能力的交通领域基础模型开源库，可以在交通场景的数据集上实现一流的检测、分类和分割性能。

Apr, 2023

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

智能交通系统中的生成人工智能技术在处理不同类型任务的关键问题方面发挥了至关重要的作用，包括交通感知、交通预测、交通仿真和交通决策，并总结了在将生成人工智能应用于智能交通系统时面临的挑战和基于不同应用场景的未来研究方向。

Dec, 2023

利用预训练的大型语言模型（LLMs）和 ChatGPT API 作为推理核心，通过自然语言处理、基于方法论的提示调整和 Transformer 技术，自动化创作基于场景的本体论文、都市数据集和模拟技术手册，生成知识图谱，以促进都市决策支持系统的发展。

May, 2024

本研究介绍了一种创新方法，将大型语言模型（LLMs）与交通信号控制系统相结合，提供先进的推理和决策能力，以应对都市交通流量的复杂性和变动性。通过在感知和决策工具套件中引入 LLMs，并将其放置在决策过程的核心位置，以结合外部交通数据和现有的交通信号控制方法，该方法在多种交通环境下表现出无需额外训练即可适应的高效性。在传感器故障情况下，相比传统基于强化学习（RL）的系统，该方法减少了平均等待时间 20.4%。本研究的进展为交通信号控制策略带来重大突破，并为将 LLMs 整合到真实、动态场景中铺平了道路，突显其革命性改变交通管理的潜力。

Mar, 2024

TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

Mar, 2023

LLMLight 通过利用大型语言模型（LLMs）进行交通信号控制任务，实现了人类般的决策过程，确保道路网络的最优效率。

Dec, 2023

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

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

本文提出结合 AI 和 IoT 技术，通过使用分布式多智能体 Q 学习算法，考虑相邻交叉路口的交通信息和网络化与非网络化交通状态来优化智能交通灯控制系统，该解决方案可部署在现实操作场景中并且优于现有解决方案的车辆和行人排队长度、等待时间等关键性能指标。

Nov, 2017