Explainable Traffic Flow Prediction with Large Language Models

交通流预测对于智能交通系统至关重要。由于深度学习在捕捉交通数据的潜在模式方面的强大作用，它已经经历了显着的进步。然而，最近的深度学习架构需要复杂的模型设计，并且缺乏对从输入数据到预测结果的映射的直观理解。由于交通数据的复杂性和深度学习模型的内在不透明性，实现交通预测模型的准确性和可解释性仍然是一个挑战。为了解决这些挑战，我们提出了一种新的方法，Traffic Flow Prediction LLM (TF-LLM)，它利用大型语言模型 (LLMs) 生成可解释的交通流预测。通过将多模态交通数据转换为自然语言描述，TF-LLM 捕捉了综合交通数据中的复杂时空模式和外部因素。LLM 框架通过基于语言的指令进行微调，以与时空交通流数据对齐。实验结果表明，与深度学习基线相比，TF-LLM 显示出具有竞争力的准确性，同时提供直观和可解释的预测。我们讨论了可解释的未来流量预测的时空和输入依赖性，展示了 TF-LLM 在多样化城市预测任务中的潜力。本文有助于推进可解释的交通预测模型，并为未来探索 LLM 在交通领域的应用奠定基础。据我们所知，这是第一项使用 LLM 进行可解释的交通流预测的研究。

提高交通流量预测的准确性和可解释性。

使用大型语言模型（LLM）将交通数据转化为自然语言描述，以实现可解释的交通流量预测。

TF-LLM模型在交通流量预测方面具有与深度学习基线模型相当的准确性，并提供直观且可解释的预测结果。该模型的应用也为未来研究提供了基础。

近期的相关研究包括使用深度学习进行交通流量预测的方法，如基于循环神经网络（RNN）和卷积神经网络（CNN）的模型。