利用大型语言模型增强基于文本数据的交通预测
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
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
这项研究介绍了一种基于 TP-LLM 的可解释交通预测方法,通过将多模态因素作为语言输入统一起来,避免了复杂的时空数据编程,证明了大语言模型在交通预测方面的潜力。
Apr, 2024
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。
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
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
本文旨在通过将社交媒体功能纳入考虑范围,以提供一个灵活全面的框架,在交通强度和 Twitter 数据强度之间建立相关性,并将两个时间序列数据馈入我们的 Traffic-Twitter Transformer,为长期交通预测提供自然语言表示。实验结果表明,这种纳入 NLP 的社交感知框架能够成为交通机构网络广泛预测和管理的有价值的实现。
Jun, 2022
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。
Mar, 2024