Explainable Traffic Flow Prediction with Large Language Models

交通流预测对城市规划、交通管理和基础设施发展至关重要。然而，由于交通数据的复杂性和深度学习方法的固有不透明性，实现预测模型的准确性和可解释性仍然具有挑战性。在本文中，我们提出了一种新颖的方法，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 捕捉复杂的时空模式和外部因素，如天气条件、兴趣点 (PoIs)、日期和假期。我们使用基于语言的指令对 LLM 框架进行微调，以与时空交通流数据对齐。我们在加利福尼亚州建立了综合多模态交通流数据集 (CATraffic)，以评估 TF-LLM 与最先进的深度学习基线的性能。结果表明，TF-LLM 具有竞争性的准确性，同时提供直观和可解释的预测。我们讨论了可解释未来流量预测的时空和输入依赖性，展示了 TF-LLM 在各种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 在交通运输中的应用奠定基础。

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）将多模态交通数据转化为自然语言描述，从而捕捉复杂的时空模式和外部因素，并提供直观和可解释的预测结果。

论文提出了一种新颖的方法TF-LLM，利用LLM生成可解释的交通流量预测。通过使用语言指令来微调LLM框架，以与时空交通流量数据相匹配。使用加利福尼亚州的综合多模态交通流量数据集（CATraffic）对TF-LLM进行了评估，结果表明TF-LLM具有竞争性的准确性和直观的可解释性。

相关研究包括使用深度学习方法进行交通流量预测，如LSTM、CNN和GAN等。