Prédiction explicable du flux de trafic avec des modèles de langage de grande taille

La prédiction du flux de trafic fournit des vues futures essentielles dans le système de transport intelligents. Les prédictions explicables offrent des aperçus précieux sur les facteurs influençant les modèles de trafic, ce qui aide les urbanistes, les ingénieurs en trafic et les décideurs à prendre des décisions éclairées sur le développement des infrastructures, les stratégies de gestion du trafic et la planification des transports publics. Malgré leur popularité généralisée et leur précision louable, les méthodes de prédiction fondées sur l'apprentissage profond déçoivent souvent en termes de transparence et d'interprétabilité. Récemment, la disponibilité de données spatio-temporelles à grande échelle et le développement de modèles de langage de grande taille (LLMs) ont ouvert de nouvelles opportunités pour la prédiction du trafic urbain. Avec la popularité des LLMs, les gens ont pu constater les capacités de raisonnement et de génération des modèles de base dans diverses tâches. Considérant le texte comme entrée et sortie, les LLMs ont des avantages pour générer des prédictions plus intuitives et interprétables. Ainsi, ce travail introduce TP-LLM, une méthode basée sur un modèle fondamental explicable pour la prédiction du trafic, visant des prévisions plus directes et raisonnables. TP-LLM présente un cadre pour unifier les facteurs multimodaux comme entrées basées sur le langage, évitant ainsi la programmation complexe des données spatio-temporelles et surpassant les références de pointe uniquement lors de l'affinage des modèles de base. De plus, TP-LLM peut générer des explications de dépendance à l'entrée pour une prédiction plus confiante et peut être facilement généralisé à différentes dynamiques urbaines pour une prédiction à zéro coup avec un cadre similaire. Ces résultats démontrent le potentiel des LLMs pour la prédiction explicable du trafic.