GenFollower: Enhancing Car-Following Prediction with Large Language Models

准确建模跟车行为对于交通管理和自动驾驶系统的各种应用至关重要。然而，当前的方法往往存在诸如对数据质量高度敏感和缺乏可解释性等限制。在本研究中，我们提出了GenFollower，一种新颖的零样本提示方法，利用大型语言模型（LLM）来解决这些挑战。我们将跟车行为重新定义为语言建模问题，并将异构输入集成到LLM的结构化提示中。与传统基线模型相比，这种方法实现了更好的预测性能和可解释性。在Waymo开放数据集上的实验表明，GenFollower具有卓越的性能和提供解释性洞察力的能力，可以为提高交通管理和自动驾驶系统的性能铺平道路。这项工作有助于推进对跟车行为的理解和预测，为增强交通管理和自动驾驶系统铺平道路。

本论文旨在解决车辆跟驰行为建模的问题，以提高交通管理和自动驾驶系统的效率和可靠性。

GenFollower是一种基于大型语言模型的零样本提示方法，将车辆跟驰行为重新构建为一种语言建模问题，并将异构输入集成到结构化提示中，以提高预测性能和可解释性。

论文使用Waymo开放数据集进行实验，证明了GenFollower的卓越性能和提供可解释性的能力。此外，该方法还提出了一种新颖的思路，即将车辆跟驰行为视为一种语言建模问题，为相关领域的研究提供了新的思路。

近期的相关研究包括：1. 'Deep Reinforcement Learning for Car-Following Control in Autonomous Driving'；2. 'A Comprehensive Review of Car-following Models in Connected and Automated Vehicles'；3. 'A Survey on Car-following Models for Intelligent Transportation Systems'。