TF-LLM：基于大语言模型的可解释交通预测新突破

TF-LLM：基于大语言模型的可解释交通预测新突破

引用

CSDN

1.

https://blog.csdn.net/suzukiwudi/article/details/137603411

近年来，随着大型语言模型（LLM）的快速发展，其在各个领域的应用潜力逐渐显现。在交通预测领域，香港科技大学（广州）和约翰霍普金斯大学（JHU）的研究团队提出了一种基于LLM的可解释交通预测方法——TF-LLM，为解决传统深度学习模型在交通预测中面临的可解释性难题提供了新的思路。

研究背景与问题定义

交通流量预测是智能交通系统的重要组成部分，准确的预测结果能够为城市规划者、交通工程师和政策制定者提供决策支持。然而，尽管基于深度学习的预测方法在准确性方面取得了显著进展，但其缺乏透明度和可解释性的问题一直困扰着研究者和实践者。

TF-LLM方法论

针对这一挑战，研究团队提出了TF-LLM（Traffic Flow LLM），一种基于大型语言模型的可解释交通预测方法。该方法的核心创新在于：

1. 多模态数据的文本化处理：将空间、时间、天气、兴趣点（POIs）等多模态因素转化为基于语言的输入，使得预测结果更加直观和可解释。
2. 避免复杂的空间-时间数据编程：通过直接微调基础模型，简化了预测流程，降低了模型的复杂度。
3. 生成输入依赖性解释：TF-LLM能够生成与输入相关的解释，增强了预测结果的可信度。
4. 零样本泛化能力：该方法能够轻松推广到不同城市，实现零样本预测。

实验设计与结果

研究团队使用了加州交通流量数据集（CATraffic）进行实验，该数据集包含了交通传感器数据、气象信息、POIs数据和节假日信息。实验结果表明，TF-LLM在预测准确性和可解释性方面均优于多个先进基线模型。

实验评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。通过与LSTM、DCRNN、STGCN等模型的对比，TF-LLM在不同预测时间步长（3小时、6小时、9小时和12小时）下均展现出显著优势。

左图：随着时间变化MAPE的热力图，右图：随着空间变化MAPE的热力图

此外，研究团队还进行了消融研究和零样本能力测试，进一步验证了TF-LLM的鲁棒性和泛化性能。

未来展望

尽管TF-LLM在交通预测领域展现出了巨大潜力，但研究团队也指出了未来研究方向，包括如何更有效地利用空间信息、开发城市级LLM系统、提高模型的可解释性和鲁棒性等。

这项研究不仅为交通预测领域提供了新的解决方案，也为LLM在其他领域的应用开辟了新的思路。随着LLM技术的不断发展，我们有理由相信，未来将会有更多基于LLM的创新应用出现，为我们的生活带来更多便利。

本文原文来自arxiv，作者为Xusen Guo等人。