Explainable Traffic Flow Prediction with Large Language Models

交通流预测在智能交通系统中提供了必要的未来视图。可解释的预测为影响交通模式的因素提供了有价值的见解，这有助于城市规划师、交通工程师和政策制定者做出关于基础设施开发、交通管理策略和公共交通规划的明智决策。尽管基于深度学习的预测方法广受欢迎且准确率高，但在透明度和可解释性方面经常令人失望。最近，大规模时空数据的可用性和大型语言模型（LLM）的发展为城市交通预测开辟了新的机遇。随着LLM的普及，人们见证了基础模型在各种任务中的潜在推理和生成能力。考虑到文本作为输入和输出，LLM在生成更直观和可解释的预测方面具有优势。因此，本文介绍了TP-LLM，一种基于可解释的基础模型的交通预测方法，旨在实现更直接和合理的预测。TP-LLM提出了一个框架，将多模态因素统一为基于语言的输入，避免了复杂的时空数据编程，并仅通过对基础模型进行微调就超过了最先进的基线。此外，TP-LLM可以生成输入依赖性解释，以获得更自信的预测，并且可以轻松推广到不同的城市动态，以实现类似的零-shot预测框架。这些发现展示了LLM在可解释的交通预测方面的潜力。

提高交通流量预测的可解释性和直观性

使用基于语言模型的方法，将多模态因素作为语言输入，避免了复杂的空间-时间数据编程，并在微调基础模型的情况下优于现有技术水平。同时，可以生成输入依赖性解释，以提高预测的置信度。

使用大规模时空数据和大型语言模型，提出了TP-LLM方法，用于交通预测，具有可解释性和直观性。实验结果表明，TP-LLM可以更准确地预测交通流量，并且可以生成输入依赖性解释，便于理解预测结果。同时，该方法可以轻松推广到不同的城市动态，实现零-shot预测。

最近的相关研究包括：'Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction'，'Traffic Flow Prediction with Big Data: A Deep Learning Approach'，'Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction'等。