論文の概要: TrafficGPT: Viewing, Processing and Interacting with Traffic Foundation Models

• arxiv url: http://arxiv.org/abs/2309.06719v1
• Date: Wed, 13 Sep 2023 04:47:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-14 15:19:22.816414
• Title: TrafficGPT: Viewing, Processing and Interacting with Traffic Foundation Models
• Title（参考訳）: TrafficGPT: 交通基盤モデルによる閲覧・処理・インタラクション
• Authors: Siyao Zhang, Daocheng Fu, Zhao Zhang, Bin Yu and Pinlong Cai
• Abstract要約: TrafficGPTはChatGPTと交通基盤モデルの融合である。 大きな言語モデルとトラフィックの専門知識をシームレスに相互運用することで、TrafficGPTは、この領域でAI機能を活用するための新しいアプローチを提供する。
• 参考スコア（独自算出の注目度）: 10.904594811905778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the promotion of chatgpt to the public, Large language models indeed showcase remarkable common sense, reasoning, and planning skills, frequently providing insightful guidance. These capabilities hold significant promise for their application in urban traffic management and control. However, LLMs struggle with addressing traffic issues, especially processing numerical data and interacting with simulations, limiting their potential in solving traffic-related challenges. In parallel, specialized traffic foundation models exist but are typically designed for specific tasks with limited input-output interactions. Combining these models with LLMs presents an opportunity to enhance their capacity for tackling complex traffic-related problems and providing insightful suggestions. To bridge this gap, we present TrafficGPT, a fusion of ChatGPT and traffic foundation models. This integration yields the following key enhancements: 1) empowering ChatGPT with the capacity to view, analyze, process traffic data, and provide insightful decision support for urban transportation system management; 2) facilitating the intelligent deconstruction of broad and complex tasks and sequential utilization of traffic foundation models for their gradual completion; 3) aiding human decision-making in traffic control through natural language dialogues; and 4) enabling interactive feedback and solicitation of revised outcomes. By seamlessly intertwining large language model and traffic expertise, TrafficGPT not only advances traffic management but also offers a novel approach to leveraging AI capabilities in this domain. The TrafficGPT demo can be found in https://github.com/lijlansg/TrafficGPT.git.
• Abstract（参考訳）: chatgptを一般に普及させることで、大きな言語モデルには素晴らしい常識、推論、計画スキルが示され、しばしば洞察に富んだガイダンスを提供する。 これらの能力は、都市交通管理と制御に応用する上で大きな可能性を秘めている。 しかし、LSMは、特に数値データを処理し、シミュレーションと相互作用するなど、交通問題の解決に苦慮している。 並行して、特別なトラフィック基盤モデルが存在するが、通常は入力-出力相互作用に制限のある特定のタスクのために設計されている。 これらのモデルとLLMを組み合わせることで、複雑な交通問題に対処し、洞察に富んだ提案を行う能力を高めることができる。 このギャップを埋めるために、ChatGPTと交通基盤モデルの融合であるTrafficGPTを提案する。 この統合は以下の重要な拡張をもたらす。 1)chatgptに交通データの閲覧,分析,処理能力を与え,都市交通システム管理のための洞察力のある意思決定支援を提供する。 2)広範な複雑なタスクのインテリジェントなデコンストラクションと,その段階的な完了に向けたトラヒックファンデーションモデルの逐次利用の促進。 3) 自然言語対話による交通制御における人間の意思決定支援 4) インタラクティブなフィードバックと改善成果の勧誘を可能にすること。 大きな言語モデルとトラフィックの専門知識をシームレスに相互運用することで、TrafficGPTはトラフィック管理を前進させるだけでなく、この領域でAI機能を活用するための新しいアプローチも提供する。 TrafficGPTのデモはhttps://github.com/lijlansg/TrafficGPT.gitで見ることができる。

関連論文リスト

• TrafficGPT: Towards Multi-Scale Traffic Analysis and Generation with Spatial-Temporal Agent Framework [3.947797359736224]
  我々は3つのAIエージェントを用いてマルチスケールトラフィックデータを処理するマルチスケールトラフィック生成システムであるTrafficGPTを設計した。 TrafficGPTは,1)ユーザと対話し,テキストを介して予測タスクを抽出するテキスト・ツー・デマンドエージェント,2)マルチスケールトラフィックデータを利用して時間的特徴と類似性を生成するトラフィック予測エージェント,3)予測結果を用いて提案や視覚化を行う提案・可視化エージェントの3つの重要なAIエージェントから構成される。
  論文  参考訳（メタデータ） (2024-05-08T07:48:40Z)
• Towards Responsible and Reliable Traffic Flow Prediction with Large Language Models [36.869371885656236]
  本稿では,大規模言語モデル(LLM)を提案する。 マルチモーダルなトラフィックデータを自然言語記述に転送することで、R2T-LLMは複雑な時空間パターンと外部要因を包括的トラフィックデータからキャプチャする。 経験的に、R2T-LLMは、ディープラーニングのベースラインと比較して、競争の正確さを示しながら、予測の直感的で信頼性の高い説明を提供する。
  論文  参考訳（メタデータ） (2024-04-03T07:14:15Z)
• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• Multi-scale Traffic Pattern Bank for Cross-city Few-shot Traffic Forecasting [15.123457772023238]
  本稿では,マルチスケール交通パターンバンクと呼ばれる都市間交通予測問題に対する解決策を提案する。 このフレームワークは高度なクラスタリング技術を用いて、マルチスケールのトラフィックパターンバンクを体系的に生成する。 実世界の交通データセットを用いた実証評価により,MTPBの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-02-01T07:33:31Z)
• Open-TI: Open Traffic Intelligence with Augmented Language Model [23.22301632003752]
  Open-TIは、チューリング識別可能なトラフィックインテリジェンスを目標とする革新的なモデルである。 ゼロから徹底的な交通分析を行うことができる最初の方法である。 Open-TIは、トレーニングや交通信号制御ポリシーの適用といったタスク固有の実施を可能にする。
  論文  参考訳（メタデータ） (2023-12-30T11:50:11Z)
• Traffic-Domain Video Question Answering with Automatic Captioning [69.98381847388553]
  Video Question Answering (VidQA) は、高度な機械推論機能を促進する重要な可能性を示している。 本稿では,交通領域の知識を大規模ビデオ言語モデルに注入する弱スーパービジョン手法として,交通領域ビデオ質問回答と自動キャプション(TRIVIA)を提案する。
  論文  参考訳（メタデータ） (2023-07-18T20:56:41Z)
• A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
  トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。 先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。 本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
  論文  参考訳（メタデータ） (2023-06-05T01:01:12Z)
• Building Transportation Foundation Model via Generative Graph Transformer [12.660129805049664]
  本稿では,交通シミュレーションの原理を交通予測に統合した交通基盤モデル(TFM)を提案する。 TFMは、移動系アクターの参加行動と相互作用を捉えるために、グラフ構造と動的グラフ生成アルゴリズムを使用する。 このデータ駆動・モデルフリーシミュレーション手法は、構造的複雑性とモデル精度の観点から、従来のシステムで直面する課題に対処する。
  論文  参考訳（メタデータ） (2023-05-24T07:34:15Z)
• Intelligent Traffic Monitoring with Hybrid AI [78.65479854534858]
  マルチモーダルコンテキスト理解のためのニューロシンボリックアーキテクチャであるHANSを紹介する。 HANSが交通監視に関わる課題にどのように対処するかを示すとともに,幅広い推論手法と統合可能であることを示す。
  論文  参考訳（メタデータ） (2022-08-31T17:47:22Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。