TPLLM 是一种基于大型语言模型的交通预测框架,通过构建基于 CNN 的序列嵌入层和基于 GCN 的图嵌入层,提取序列特征和空间特征,并与 LLMs 集成,实现在有限历史交通数据地区的准确预测和良好的泛化能力。
Mar, 2024
提出了一种基于空间 - 时间大型语言模型(ST-LLM)的交通预测方法,通过重新定义位置上的时间步长作为标记,并结合空间 - 时间嵌入模块来学习标记的空间位置和全局时间表示,在提供统一的空间和时间信息的基础上,进一步提出了一种部分冻结的 LLM 关注策略,用于捕捉交通预测的空间 - 时间依赖关系。综合实验表明 ST-LLM 在真实交通数据集上优于最先进的模型,同时在少样本和零样本预测场景中也表现出鲁棒性。
Jan, 2024
为了在动态环境下保证安全驾驶,自动驾驶车辆应该具备准确预测周围车辆的变道意图并预测其未来轨迹的能力。本文通过提出了一种可解释的变道预测模型 LC-LLM,利用大型语言模型(LLM)的强大推理能力和自我解释能力来解决现有运动预测方法在长期预测精度和可解释性方面的不足。我们将变道预测任务重新定义为语言建模问题,将异构驾驶场景信息以自然语言形式作为 LLM 的输入,并采用监督微调技术,使 LLM 专门用于变道预测任务。这使得我们能够利用 LLM 强大的常识推理能力来理解复杂的交互信息,从而提高长期预测的准确性。此外,我们在推理阶段的提示中加入了解释要求。因此,我们的 LC-LLM 模型不仅可以预测变道意图和轨迹,还能提供预测解释,增强了可解释性。对大规模高维驱动数据集的广泛实验证明了我们的 LC-LLM 在变道预测任务中的卓越性能和可解释性。据我们所知,这是首次尝试利用 LLM 来预测变道行为。我们的研究表明,LLM 能够对驾驶行为进行综合交互信息编码。
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
利用大型语言模型进行旅行行为预测,无需数据参数学习,准确性可与传统的监督学习方法相媲美,并能输出预测的原因,但存在逻辑矛盾或幻觉的情况。
Nov, 2023
通过利用大型语言模型(LLMs)增强全局交通语境理解来提高动作预测任务的准确性,并考虑到 LLMs 的成本,我们提出了一种成本效益的部署策略:通过拥有 0.7% 的 LLM 增强数据集来扩大动作预测任务的准确性。
对大型语言模型的解释技术进行分类和总结,并讨论了这些技术在训练范式、生成局部解释和全局解释方面的应用以及评估指标、调试模型和提高性能的挑战和机会。
Sep, 2023
使用大型语言模型和创新的技术,本研究拟探索将 LLM 应用于交通场景中的动态车辆轨迹预测任务,以提高预测效果并适应不同情形。
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。
通过引入一种基于 Prompt Learning 的大型语言模型 (LLM) 框架,本文改进了个体选择预测的准确性,并提供了明确的解释。在旅行选择分析领域,LLM 显著优于深度学习方法和离散选择模型,同时提供了个体层面的可理解和明确的解释。
Jun, 2024