Large Language Models for Mobility in Transportation Systems: A Survey on Forecasting Tasks

移动性分析是交通系统研究领域中至关重要的元素。预测交通信息提供了一种解决不断增长的交通需求和交通基础设施限制之间冲突的可行方法。预测人类出行对于协助各种交通和城市管理任务（如出租车调度和城市规划）具有重要意义。机器学习和深度学习方法因其灵活性和准确性而备受青睐。如今，随着大型语言模型（LLMs）的出现，许多研究人员已将这些模型与先前的技术相结合，或直接应用LLMs来预测未来的交通信息和人类出行行为。然而，目前缺乏关于LLMs如何为这一领域做出贡献的综合研究。本调查探讨了使用LLMs解决移动性预测问题的现有方法。我们提供了有关交通系统预测应用的文献综述，阐明了研究人员如何利用LLMs，展示了最近的最新进展，并确定必须克服的挑战，以充分利用LLMs在这一领域中的作用。

探讨大型语言模型在交通运输领域中的应用，解决交通出行预测问题

将大型语言模型应用于交通出行预测问题中，提高了预测精度和效率，同时也存在一些挑战需要克服

论文提供了大量的文献综述和实验结果，并指出了大型语言模型在交通运输领域中的潜在应用价值。同时，论文也提到了需要解决的一些挑战，如数据稀缺和模型可解释性等。

相关论文包括：'Traffic Prediction with Big Data: A Deep Learning Approach'，'A Survey of Deep Learning for Traffic Prediction'，'Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning'等