BjTT: A Large-scale Multimodal Dataset for Traffic Prediction

交通预测是智能交通系统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。在这项工作中，我们探讨了如何将生成模型与描述交通系统的文本相结合，以进行交通生成，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关联，以生成交通情况。为此，我们提出了ChatTraffic，这是第一个用于文本到交通生成的扩散模型。为了保证合成数据与真实数据的一致性，我们采用图卷积网络（GCN）来提取交通数据的空间相关性，将扩散模型进行了增强。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我们的模型进行了基准测试。实验结果表明，ChatTraffic可以从文本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。

论文探索如何将生成模型与描述交通系统的文本相结合，以进行交通生成，解决传统交通预测方法中的两个主要挑战：对异常事件的不敏感和长期预测性能有限。

论文提出了ChatTraffic，一种基于扩散模型和图卷积网络的文本到交通生成模型，以保证合成数据与真实数据的一致性。通过构建大型数据集，将文本与交通数据进行匹配，实现了文本到交通场景的生成。

论文使用了扩散模型和图卷积网络，将文本与交通数据相结合，实现了文本到交通场景的生成。实验结果表明，ChatTraffic可以生成逼真的交通情况。论文提供了代码和数据集。

最近的相关研究包括使用生成对抗网络进行交通预测和交通流量预测等。