Richtungsweisende erklärbare Verkehrsflussprognose mit großen Sprachmodellen

Die Verkehrsprognose ist entscheidend für intelligente Verkehrssysteme. Dank der Leistungsfähigkeit des Deep Learning, latente Muster in Verkehrsdatensätzen zu erfassen, hat sie erhebliche Fortschritte gemacht. Allerdings erfordern moderne Deep-Learning-Architekturen komplexe Modellentwürfe und bieten kein intuitives Verständnis der Zuordnung von Eingabedaten zu vorhergesagten Ergebnissen. Es bleibt eine Herausforderung, sowohl Genauigkeit als auch Erklärbarkeit in Verkehrsprognosemodellen zu erreichen, aufgrund der Komplexität der Verkehrsdaten und der inhärenten Undurchsichtigkeit von Deep-Learning-Modellen. Um diese Herausforderungen zu bewältigen, schlagen wir ein Verkehrsflussprognosemodell vor, das auf großen Sprachmodellen (LLMs) basiert, um erklärbare Verkehrsprognosen zu generieren, das xTP-LLM genannt wird. Durch die Übertragung multimodaler Verkehrsdaten in natürliche Sprachbeschreibungen erfasst xTP-LLM komplexe Zeitreihenmuster und externe Faktoren aus umfassenden Verkehrsdaten. Der LLM-Rahmen wird mit sprachbasierten Anweisungen feinabgestimmt, um mit räumlich-zeitlichen Verkehrsflussdaten übereinzustimmen. Empirisch zeigt xTP-LLM eine wettbewerbsfähige Genauigkeit im Vergleich zu Deep-Learning-Baselines und bietet dabei eine intuitive und zuverlässige Erklärung für die Vorhersagen. Diese Studie trägt zur Weiterentwicklung erklärbarer Verkehrsprognosemodelle bei und legt eine Grundlage für zukünftige Erkundungen der LLM-Anwendungen im Verkehr. • Multi-modale Verkehrsprognosedatenbank für die lernbasierten Vorhersageaufgaben. • Verkehrsflussprognose mit großen Sprachmodellen, verantwortungsvolle und zuverlässige Vorhersageergebnisse. • Räumlich-zeitliche Ausrichtung, Zero-Shot-Lernfähigkeit für andere nicht gesehene Verkehrsprognoseaufgaben.