利用大型语言模型的连锁思维与提示工程进行交通事故严重性分析与推断

Aug, 2024

利用大型语言模型的连锁思维与提示工程进行交通事故严重性分析与推断

Leveraging Large Language Models with Chain-of-Thought and Prompt Engineering for Traffic Crash Severity Analysis and Inference

HTML

PDF

Hao Zhen, Yucheng Shi, Yongcan Huang, Jidong J. Yang, Ninghao Liu

TL;DR本研究针对交通事故严重性分析中的信息缺失问题，利用三种先进的大型语言模型进行事故严重性推断，提出了一种将连锁思维（CoT）与领域知识相结合的文本生成方法。研究发现，LLaMA3-70B模型在零样本推断中表现最优，同时CoT和提示工程显著提升了逻辑推理能力，为事故严重性分析提供了更全面的视角。

Abstract

Harnessing the power of Large Language Models (LLMs), this study explores the use of three state-of-the-art LLMs, specifically GPT-3.5-turbo, LLaMA3-8B, and LLaMA3-70B, for crash severity Inference, framing it as

发现论文，激发创造

ChatGPT即将来临：大语言模型是智能交通所需的全部吗？

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

TrafficSafetyGPT：将预训练的大型语言模型调整为专业领域的交通安全专家

引入TrafficSafetyGPT，一种新颖的LLAMA模型，通过TrafficSafety-2K数据集进行了有监督微调，该数据集包含有政府出版的指导书和ChatGPT生成的指令-输出对的人工标签，以解决大型语言模型在交通安全领域任务中表现亚优的问题。

Jul, 2023

大型语言模型在分析碰撞叙述中的应用——ChatGPT、BARD和GPT-4的比较研究

交通安全研究中，使用文本分析从事故叙述中提取信息是一种常见做法。本研究使用了三种最流行的公开可用的大型语言模型接口（ChatGPT、BARD和GPT4）来探索它们在从艾奥瓦州和堪萨斯州的100个事故叙述中提取信息和回答相关问题方面的有效性和界限，结果显示在回答直接问题时相似性较高，但在回答复杂问题时较低，并建议从叙述中提取可行信息时使用多个模型并谨慎使用这些接口获取关键的安全相关信息。

Aug, 2023

大型语言模型作为交通信号控制代理: 容量和机会

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

基于大型语言模型的自动驾驶的混合推理

研究表明，大型语言模型（LLMs）在自动驾驶场景中能够适应和应用算术和常识推理的组合，通过分析检测到的物体和传感器数据、理解驾驶法规和物理规律，并提供额外的上下文信息，从而改善自动驾驶车辆的制动和油门控制，以做出更准确的决策。

Feb, 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

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

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（LLMs）进行城市交叉口的交通管理：混合交通场景的案例

本研究针对城市交通管理中实时适应能力不足的问题，探索了大型语言模型（LLM），尤其是GPT-4o-mini在城市交叉口交通管理中的应用。研究表明，LLM能够通过实时分析，提高交通效率和安全性，尤其在重交通、拥堵和混合速度条件下表现出色，显示出在复杂场景中有效管理交通冲突的潜力。

Aug, 2024

大型语言模型在交通系统工程中的能力基准测试：准确性、一致性与推理行为

本研究解决了大型语言模型在交通工程问题中的表现不足，提出了TransportBench基准数据集来评估这些模型的准确性、一致性与推理行为。通过对多个先进模型的分析，我们发现了它们的独特优势与局限性，特别是Claude 3.5 Sonnet在准确性方面表现出色但存在不一致性。这项研究为利用人工通用智能解决复杂交通挑战迈出了激动人心的一步。

Aug, 2024

通过推理-决策对齐使大型语言模型更好地进行规划

该研究解决了大型语言模型（LLM）在自动驾驶中因数据集偏差和决策不一致性而导致的决策问题。提出了一种新颖的基于多模态增强LLM的端到端决策模型，并通过推理-决策对齐约束增强了推理与决策之间的对应性。实验证明，该模型在多个基准测试中表现出色，显著提高了自动驾驶系统的规划性能。

Aug, 2024