論文の概要: Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap

• arxiv url: http://arxiv.org/abs/2503.21411v1
• Date: Thu, 27 Mar 2025 11:56:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:53:07.933461
• Title: Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap
• Title（参考訳）: 交通システム形成における大規模言語モデルの役割を探る:調査,枠組み,ロードマップ
• Authors: Tong Nie, Jian Sun, Wei Ma,
• Abstract要約: 大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。 LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。 それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
• 参考スコア（独自算出の注目度）: 51.198001060683296
• License:
• Abstract: Modern transportation systems face pressing challenges due to increasing demand, dynamic environments, and heterogeneous information integration. The rapid evolution of Large Language Models (LLMs) offers transformative potential to address these challenges. Extensive knowledge and high-level capabilities derived from pretraining evolve the default role of LLMs as text generators to become versatile, knowledge-driven task solvers for intelligent transportation systems. This survey first presents LLM4TR, a novel conceptual framework that systematically categorizes the roles of LLMs in transportation into four synergetic dimensions: information processors, knowledge encoders, component generators, and decision facilitators. Through a unified taxonomy, we systematically elucidate how LLMs bridge fragmented data pipelines, enhance predictive analytics, simulate human-like reasoning, and enable closed-loop interactions across sensing, learning, modeling, and managing tasks in transportation systems. For each role, our review spans diverse applications, from traffic prediction and autonomous driving to safety analytics and urban mobility optimization, highlighting how emergent capabilities of LLMs such as in-context learning and step-by-step reasoning can enhance the operation and management of transportation systems. We further curate practical guidance, including available resources and computational guidelines, to support real-world deployment. By identifying challenges in existing LLM-based solutions, this survey charts a roadmap for advancing LLM-driven transportation research, positioning LLMs as central actors in the next generation of cyber-physical-social mobility ecosystems. Online resources can be found in the project page: https://github.com/tongnie/awesome-llm4tr.
• Abstract（参考訳）: 現代の交通システムは、需要の増加、動的環境、異種情報の統合などにより、厳しい課題に直面している。 LLM(Large Language Models)の急速な進化は、これらの課題に対処するための変革的なポテンシャルを提供する。 事前学習から派生した広範な知識と高レベルの能力は、LLMのテキストジェネレータとしてのデフォルトの役割を進化させ、インテリジェント交通システムのための汎用的で知識駆動型タスク解決器となる。 LLM4TRは、情報プロセッサ、知識エンコーダ、コンポーネントジェネレータ、意思決定ファシリテータの4つの相乗的側面にLLMの役割を体系的に分類する、新しい概念フレームワークである。 統一された分類法により、LLMが断片化されたデータパイプラインをどのようにブリッジするかを体系的に解明し、予測分析を強化し、人間のような推論をシミュレートし、検知、学習、モデリング、そして輸送システムにおけるタスクの管理におけるクローズドループの相互作用を可能にする。 それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用を概説し,文脈内学習やステップバイステップ推論といったLCMの創発的能力が交通システムの運用と管理をいかに向上させるかを強調した。 実世界の展開を支援するため、利用可能なリソースや計算ガイドラインを含む実践的なガイダンスをさらに強化する。 既存のLCMベースのソリューションの課題を特定することで、次世代のサイバー物理社会移動エコシステムにおいて、LCMを中心的なアクターとして位置づけ、LCMによる輸送研究を進めるためのロードマップをグラフ化する。 オンラインリソースは、プロジェクトのページ(https://github.com/tongnie/awesome-llm4tr)で見ることができる。

関連論文リスト

• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Large Language Models for Multi-Robot Systems: A Survey [9.31855372655603]
  マルチロボットシステム(MRS)は、調整、スケーラビリティ、現実の適応性など、ユニークな課題を提起する。 このサーベイは、MSSへのLLM(Large Language Models)統合に関する最初の包括的な調査を提供する。 家庭用ロボティクス、建設、構成制御、目標追跡、ロボットゲームなど、さまざまな分野における重要な応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-02-06T06:52:14Z)
• Integrating LLMs with ITS: Recent Advances, Potentials, Challenges, and Future Directions [1.6121249557846946]
  本稿では,Large Language Models (LLMs) のITS最適化における変換可能性について概説する。 我々の分析は、これらの高度なモデルが交通管理と安全性を大幅に向上させる方法を明らかにしている。 本稿は,PLMをITSに統合する複雑性と機会を通じて,研究者や実践者を支援することを目的とする。
  論文  参考訳（メタデータ） (2025-01-08T11:37:35Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• Efficient Prompting for LLM-based Generative Internet of Things [88.84327500311464]
  大規模言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示しており、最近、IoT(Internet of Things)アプリケーションにLLMの能力を統合することが研究の注目を集めている。 セキュリティ上の懸念から、多くの機関は最先端の商用LLMサービスへのアクセスを避け、ローカルネットワーク環境でのオープンソースLLMのデプロイと利用を必要としている。 本研究では,LLMを用いた生成IoT(Generative IoT)システムを提案する。
  論文  参考訳（メタデータ） (2024-06-14T19:24:00Z)
• Large Language Models for Mobility Analysis in Transportation Systems: A Survey on Forecasting Tasks [9.957103189239831]
  機械学習とディープラーニングの方法は、その柔軟性と正確性に好まれる。 大規模言語モデル (LLMs) の出現に伴い、多くの研究者がこれらのモデルと過去の手法を組み合わせ、将来の交通情報や人間の旅行行動を直接予測するためにLLMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T02:54:43Z)
• LLM-Assisted Light: Leveraging Large Language Model Capabilities for Human-Mimetic Traffic Signal Control in Complex Urban Environments [3.7788636451616697]
  本研究は,大規模言語モデルを交通信号制御システムに統合する革新的なアプローチを導入する。 LLMを知覚と意思決定ツールのスイートで強化するハイブリッドフレームワークが提案されている。 シミュレーションの結果から,交通環境の多種性に適応するシステムの有効性が示された。
  論文  参考訳（メタデータ） (2024-03-13T08:41:55Z)
• A Survey on the Applications of Frontier AI, Foundation Models, and Large Language Models to Intelligent Transportation Systems [8.017557640367938]
  本稿では,知的交通システム(ITS)の領域におけるフロンティアAI,基礎モデル,大規模言語モデル(LLM)の変容的影響について検討する。 交通インテリジェンスを推進し、交通管理を最適化し、スマートシティの実現に寄与する重要な役割を強調している。
  論文  参考訳（メタデータ） (2024-01-12T10:29:48Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [87.1164964709168]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)

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。