論文の概要: CrossTrafficLLM: A Human-Centric Framework for Interpretable Traffic Intelligence via Large Language Model

• arxiv url: http://arxiv.org/abs/2601.06042v1
• Date: Mon, 15 Dec 2025 23:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.581139
• Title: CrossTrafficLLM: A Human-Centric Framework for Interpretable Traffic Intelligence via Large Language Model
• Title（参考訳）: CrossTrafficLLM:大規模言語モデルによる交通情報解釈のための人間中心フレームワーク
• Authors: Zeming Du, Qitan Shao, Hongfei Liu, Yong Zhang,
• Abstract要約: CrossTraffic-LLMは、将来のトラフィック状態を同時に予測し、対応する自然言語記述を生成する新しいGenAI駆動フレームワークである。 予測と記述の生成を統一することにより、CrossTrafficLLMは、より解釈可能な、実用的なアプローチを生成可能なトラフィックインテリジェンスに提供します。
• 参考スコア（独自算出の注目度）: 6.9145155986356395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While accurate traffic forecasting is vital for Intelligent Transportation Systems (ITS), effectively communicating predicted conditions via natural language for human-centric decision support remains a challenge and is often handled separately. To address this, we propose CrossTrafficLLM, a novel GenAI-driven framework that simultaneously predicts future spatiotemporal traffic states and generates corresponding natural language descriptions, specifically targeting conditional abnormal event summaries. We tackle the core challenge of aligning quantitative traffic data with qualitative textual semantics by leveraging Large Language Models (LLMs) within a unified architecture. This design allows generative textual context to improve prediction accuracy while ensuring generated reports are directly informed by the forecast. Technically, a text-guided adaptive graph convolutional network is employed to effectively merge high-level semantic information with the traffic network structure. Evaluated on the BJTT dataset, CrossTrafficLLM demonstrably surpasses state-of-the-art methods in both traffic forecasting performance and text generation quality. By unifying prediction and description generation, CrossTrafficLLM delivers a more interpretable, and actionable approach to generative traffic intelligence, offering significant advantages for modern ITS applications.
• Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS)にとって正確な交通予測は不可欠であるが、人間中心の意思決定支援のために自然言語を介して予測された状況を効果的に伝達することは困難であり、しばしば別々に扱われる。 そこで本研究では,新しいGenAI駆動型フレームワークであるCrossTrafficLLMを提案する。 我々は,大規模言語モデル(LLM)を統一アーキテクチャ内で活用することにより,定量的なトラフィックデータを質的なテキスト意味論と整合させるという課題に取り組む。 この設計により、生成テキストコンテキストが予測精度を向上し、生成したレポートが予測によって直接通知されることを保証できる。 技術的には、高レベルの意味情報とトラフィックネットワーク構造を効果的にマージするために、テキスト誘導適応グラフ畳み込みネットワークを用いる。 BJTTデータセットに基づいて評価したCrossTrafficLLMは、トラフィック予測性能とテキスト生成品質の両方において、最先端の手法を明らかに超えている。 予測と記述の生成を統一することにより、CrossTrafficLLMは、より解釈可能で実用的な、生成可能なトラフィックインテリジェンスへのアプローチを提供し、現代のITSアプリケーションに大きな利点を提供します。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• SemAgent: Semantic-Driven Agentic AI Empowered Trajectory Prediction in Vehicular Networks [26.85167428129155]
  本稿では,車載環境における予測性能を高めるために,エージェントAIとのセマンティックコミュニケーションを統合した軌道予測フレームワークを提案する。 車両間通信(V2I)において、道路側ユニット(RSU)の機能抽出エージェントは、歴史的車両軌跡からコンパクトな表現を導出し、続いて意味分析エージェントによって意味論的推論を行う。 RSUは、特徴表現とセマンティックインサイトの両方をセマンティック通信を介して対象車両に送信し、受信したセマンティックスと自身の履歴データを組み合わせることで、将来の軌跡を予測する。
  論文  参考訳（メタデータ） (2025-11-30T11:06:58Z)
• A Knowledge-Guided Cross-Modal Feature Fusion Model for Local Traffic Demand Prediction [26.560910387318774]
  既存の交通予測モデルは、主に時間的交通データに依存している。 交通知識と人間の日常生活から得られる経験は、正確な交通予測に大きな影響を及ぼす。 本稿では,人的知識と経験を表わすテキストデータと構造化時間的トラフィックデータを統合することを提案する。
  論文  参考訳（メタデータ） (2025-08-29T14:52:50Z)
• LANGTRAJ: Diffusion Model and Dataset for Language-Conditioned Trajectory Simulation [102.1527101235251]
  LangTrajは、トラフィックシナリオにおけるすべてのエージェントの共同動作をシミュレートする、言語条件のシーン拡散モデルである。 自然言語入力を条件付けすることで、LangTrajはインタラクティブな振る舞いを柔軟かつ直感的に制御できる。 LangTraj氏は、リアリズム、言語制御性、言語条件の安全クリティカルなシミュレーションにおいて、強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-15T17:14:06Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• 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)
• ChatTraffic: Text-to-Traffic Generation via Diffusion Model [45.82932883802526]
  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） (2023-11-27T08:52:10Z)

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。