BjTT: A Large-scale Multimodal Dataset for Traffic Prediction

交通预测是智能交通系统（ITS）中最重要的基础之一。传统的交通预测方法仅依赖历史交通数据来预测交通趋势，面临着两个主要挑战：1）对异常事件不敏感；2）在长期预测方面表现有限。本文探讨了如何将生成模型与描述交通系统的文本相结合，用于交通生成，并将该任务命名为文本到交通生成（TTG）。TTG任务的关键挑战是如何将文本与道路网络和交通数据的空间结构相结合，以生成交通情况。为此，我们提出了ChatTraffic，用于文本到交通生成的第一个扩散模型。为了保证合成数据与真实数据的一致性，我们使用图卷积网络（GCN）增强扩散模型以提取交通数据的空间相关性。此外，我们构建了一个包含文本-交通对的大型数据集，用于TTG任务。我们在发布的数据集上定性和定量地对模型进行了基准测试。实验结果表明，ChatTraffic可以从文本中生成逼真的交通情况。我们的代码和数据集可在https://github.com/ChyaZhang/ChatTraffic上获得。

论文尝试解决的问题是如何将文本描述的交通系统与道路网络和交通数据的空间结构相结合，以生成交通情况。这是一个新的问题。

论文提出了一种名为ChatTraffic的扩散模型，将图卷积网络（GCN）与扩散模型相结合，以提取交通数据的空间相关性，并生成逼真的交通情况。

论文构建了一个包含文本-交通对的大型数据集，用于对ChatTraffic进行定性和定量评估。实验结果表明，ChatTraffic可以从文本中生成逼真的交通情况。研究人员还开源了代码和数据集。

最近的相关研究包括《基于深度学习的交通预测：一个综述》、《基于生成对抗网络的交通情况生成》等。