交通事件管理中大型语言模型的严重程度分类整合：一种机器学习方法

Mar, 2024

交通事件管理中大型语言模型的严重程度分类整合：一种机器学习方法

Integrating Large Language Models for Severity Classification in Traffic Incident Management: A Machine Learning Approach

PDF

Artur Grigorev, Khaled Saleh, Yuming Ou, Adriana-Simona Mihaita

TL;DR该研究评估了大型语言模型对于改善交通事故管理中的机器学习过程的影响，研究了使用事故报告对事故严重程度进行分类时，由现代语言模型生成的特征在改进或匹配预测准确性方面的程度，并进行了多个比较以验证语言模型和机器学习算法的组合。研究结果显示，将语言模型的特征与直接从事故报告中获取的特征进行结合，可以在分配事故严重级别时提高或至少与机器学习技术的性能相匹配，尤其是在采用随机森林和极限梯度提升方法时。该研究对于展示如何将大型语言模型整合到事故管理的机器学习工作流程中，从而简化从非结构化文本中提取特征并改进或匹配事故严重程度预测的精度具有重要贡献。通过有效利用这些语言处理模型来改进事故严重级别分类的建模过程，该研究展示了工程应用实例。本研究为在传统数据基础上利用语言处理能力改进机器学习流程、进行事故严重程度分类提供了重要洞见。

Abstract

This study evaluates the impact of large language models on enhancing machine learning processes for managing traffic incidents. It examines the extent to which features generated by modern language models improv

large language models machine learning traffic incidents severity classification feature extraction

发现论文，激发创造

以语言形式学习交通事故：数据集，基准和假设性因果分析

本研究在大规模交通事故语言数据集 CrashEvent 的基础上，利用大型语言模型 CrashLLM 提出了一种新的交通事故特征学习方法，从复杂的、非结构化数据中解析和学习，预测交通事故的类型、严重程度和受伤人数，并通过学习的推理特征为交通安全分析提供有价值的洞见。

Jun, 2024

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

利用机器学习方法预测悉尼大都市区交通事件的持续时间

本研究提出了一种全面的方法来预测悉尼大都市区交通事故的持续时间，并将其分类为短期或长期。我们利用包含交通事故详细记录、道路网络特征和社会经济指标的数据集，通过训练和评估包括 Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM 和 XGBoost 在内的各种先进机器学习模型。我们的实验结果表明，XGBoost 和 LightGBM 在预测持续时间和分类方面优于传统模型。提出的方法不仅能够实现高度的预测准确性，还能为利益相关者提供有关影响事故持续时间因素的重要见解，从而为交通管理和响应策略提供更明智的决策。

Jun, 2024

利用人工智能增强对英国道路交通事故严重程度的预测与分析：在公共卫生研究中整合机器学习、计量经济学技术和时间序列预测

该研究使用机器学习、计量经济学和统计方法研究了英国的道路交通事故严重程度，通过对历史数据进行相关性分析、回归模型、GMM 分析解决误差项问题以及 VAR 和 ARIMA 模型的时间序列预测等技术和方法，我们的研究方法在 MASE 指标为 0.800，ME 指标为 - 73.80 时相对于朴素预测具有更好的性能，此外我们构建了一个随机森林分类器，分类准确性达到了 73%，召回率为 78%，F1 得分为 73%，使用 H2O AutoML 优化后得到的 XGBoost 模型的 RMSE 为 0.176，MAE 为 0.087，因子分析确认了重要变量，并且应用 SHAP 可解释的人工智能方法，对 Driver_Home_Area_Type 和 Road_Type 等有影响的因素进行了突出显示，这项研究加深了对事故严重程度的理解并为基于证据的道路安全政策提供了洞见。

Sep, 2023

交通系统中的大型语言模型：关于预测任务的调查

使用大型语言模型 (LLM) 对移动性预测问题进行综述，介绍了在交通系统内使用 LLM 的应用、最新进展以及需要克服的挑战。

May, 2024

用于预测和异常检测的大型语言模型：系统文献综述

通过系统性文献综述，全面考察了在预测和异常检测中使用大规模语言模型（LLMs）的应用，突出了现有研究的现状、固有挑战和未来发展方向。LLMs 已经在解析和分析大规模数据集以识别模式、预测未来事件和检测异常行为等各个领域展现了巨大潜力。然而，该综述指出了一些关键挑战，如依赖于大量历史数据集、在不同背景中的泛化问题、模型产生幻觉的现象、模型知识范围的局限性以及需要大量计算资源等，这些挑战阻碍了它们更广泛的应用和有效性。通过详细分析，本综述讨论了克服这些障碍的潜在解决方案和策略，如整合多模态数据，学习方法的进步以及强调模型可解释性和计算效率。此外，该综述还概述了可能影响 LLMs 在这些领域中发展的关键趋势，包括朝向实时处理、可持续建模实践的重要性和跨学科合作的价值。最后，该综述强调了 LLMs 对预测和异常检测可能产生的转变性影响，同时强调了持续创新、道德考虑和实际解决方案的需求以实现其全部潜力。

Feb, 2024

用图神经网络增强的语言模型进行高效的多语言文本分类

提出了一种基于图神经网络和变压器的跨语言灾难相关文本分类系统，该系统可以在有限的监督下工作，并在多种语言和单语言情境下进行分类。在英语、非英语和单语数据集上测试，该系统的加权 F1 值优于现有的最先进模型和多语言 BERT 基线。

Mar, 2022

CrisisSense-LLM：灾难信息学中用于多标签社交媒体文本分类的指令微调大型语言模型

通过对事先训练的大型语言模型（LLM）进行指令微调，将其嵌入灾害特定知识，从而实现对灾害相关推文的多标签分类，提高社交媒体数据在灾难情境感知中的效用。

Jun, 2024

预测交通事故中的重伤程度：新的不平衡数据集和基准

本文介绍了一种新的数据集，用于评估机器学习算法在交通事故中预测伤势严重性方面的表现。数据集通过聚合英国交通部的公开数据集来创建，这些数据集在数据维度上具有极度不平衡以及有时缺少高达 50％的属性，可以通过 MissForest 模型处理。本文还介绍了两种基准方法来创建伤害预测器：一种是监督的人工神经网络，另一种是强化学习模型。该数据集可以刺激机器学习研究在不平衡数据集方面的多个方面，并且这两种方法可以用作在这个领域测试更高级学习算法时的基准参考。

May, 2022

利用大型语言模型监控灾害期间的关键基础设施设施

利用大型语言模型监测社交媒体网络中自然灾害对重要基础设施设施的影响，包括分类和推理任务，虽然大型语言模型在分类任务中表现良好，但在推理任务中遇到挑战，尤其是当上下文 / 提示复杂而冗长时。

Apr, 2024