論文の概要: Explainable Traffic Flow Prediction with Large Language Models
- arxiv url: http://arxiv.org/abs/2404.02937v1
- Date: Wed, 3 Apr 2024 07:14:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-05 19:04:16.699091
- Title: Explainable Traffic Flow Prediction with Large Language Models
- Title(参考訳): 大規模言語モデルを用いた説明可能な交通流予測
- Authors: Xusen Guo, Qiming Zhang, Mingxing Peng, Meixin Zhua, Hao, Yang,
- Abstract要約: 本研究は,より直接的かつ合理的な予測を目的とした,交通予測のための基礎モデルに基づく説明可能な手法であるTP-LLMを紹介する。
また、TP-LLMは、より確実な予測のために入力依存性の説明を生成することができ、同様のフレームワークでゼロショット予測を行うため、異なる都市力学に容易に一般化することができる。
- 参考スコア(独自算出の注目度): 36.61182271005389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic flow prediction provides essential future views in the intelligent transportation system. Explainable predictions offer valuable insights into the factors influencing traffic patterns, which help urban planners, traffic engineers, and policymakers make informed decisions about infrastructure development, traffic management strategies, and public transportation planning. Despite their widespread popularity and commendable accuracy, prediction methods grounded in deep learning frequently disappoint in terms of transparency and interpretability. Recently, the availability of large-scale spatio-temporal data and the development of large language models (LLMs) have opened up new opportunities for urban traffic prediction. With the popularity of LLMs, people witnessed the potential reasoning and generating ability of foundation models in various tasks. Considering text as input and output, LLMs have advantages in generating more intuitive and interpretable predictions. Hence, this work introduces TP-LLM, an explainable foundation-model-based method for traffic prediction, aiming at more direct and reasonable forecasting. TP-LLM presents a framework to unify multi-modality factors as language-based inputs, TP-LLM avoids complex spatial-temporal data programming and outperforms state-of-art baselines merely under fine-tuning foundation models. Also, TP-LLM can generate input-dependency explanations for more confident prediction and can be easily generalized to different city dynamics for zero-shot prediction with a similar framework. These findings demonstrate the potential of LLMs for explainable traffic prediction.
- Abstract(参考訳): 交通流予測は、インテリジェント交通システムにおいて不可欠な将来展望を提供する。
説明可能な予測は、都市プランナー、交通技術者、政策立案者がインフラ開発、交通管理戦略、公共交通計画に関する決定を下すのに役立つ交通パターンに影響を与える要因に関する貴重な洞察を提供する。
広く普及し、精度も高いにもかかわらず、深層学習に根ざした予測手法は、透明性と解釈可能性の点でしばしば失望した。
近年,大規模な時空間データの提供と大規模言語モデル(LLM)の開発により,都市交通予測の新しい機会が開けている。
LLMの人気により、様々なタスクにおいて基礎モデルの潜在的な推論と生成能力が見られた。
テキストを入力および出力として考えると、LLMはより直感的で解釈可能な予測を生成する利点がある。
そこで本研究では,より直接的かつ合理的な予測を目的とした基盤モデルに基づく交通予測手法であるTP-LLMを導入する。
TP-LLMは言語ベースの入力として多モード因子を統一するフレームワークを提供するが、TP-LLMは複雑な空間時空間データプログラミングを回避し、微調整基礎モデルの下でのみ最先端のベースラインを向上する。
また、TP-LLMは、より確実な予測のために入力依存性の説明を生成することができ、同様のフレームワークでゼロショット予測を行うため、異なる都市力学に容易に一般化することができる。
これらの結果から, LLMの交通予測の可能性が示唆された。
関連論文リスト
- Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。
本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
論文 参考訳(メタデータ) (2024-03-27T15:57:42Z) - LC-LLM: Explainable Lane-Change Intention and Trajectory Predictions with Large Language Models [48.46007039539533]
本稿では,Large Language Models (LLM) の強い推論能力と自己説明能力を活用する,説明可能なレーン変更予測モデルを提案する。
大規模高次元データセットに対する実験により,車線変化予測タスクにおけるLC-LLMの優れた性能と解釈性を示した。
論文 参考訳(メタデータ) (2024-03-27T08:34:55Z) - Large Language Models Powered Context-aware Motion Prediction [13.879945446114956]
我々はLarge Language Models (LLMs) を用いて、動き予測タスクのグローバルトラフィックコンテキスト理解を強化する。
我々の研究は、LLMの交通シーンの理解と自動運転の動作予測性能を高めるための貴重な洞察を提供する。
論文 参考訳(メタデータ) (2024-03-17T02:06:49Z) - 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) - TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language Models [27.306180426294784]
大規模言語モデル(LLM)を利用した新しい交通予測フレームワークであるTPLLMを紹介する。
本フレームワークでは,Lonal Neural Networks (LoCNNs) に基づくシーケンス埋め込み層と,Graph Contemporalal Networks (GCNs) に基づくグラフ埋め込み層を構築し,シーケンスの特徴と空間的特徴を抽出する。
実世界の2つのデータセットの実験では、フルサンプルと数ショットの予測シナリオの両方で、満足できるパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-03-04T17:08:57Z) - Spatial-Temporal Large Language Model for Traffic Prediction [22.78807405820044]
交通予測のための時空間大言語モデル(ST-LLM)を提案する。
ST-LLMは各場所のタイムステップをトークンとして再定義し、時空間埋め込みモジュールを組み込む。
少数ショットとゼロショットの予測シナリオにおいて、堅牢なパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-01-18T17:03:59Z) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳(メタデータ) (2023-09-01T19:29:53Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳(メタデータ) (2022-03-21T06:38:34Z) - 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。