Traffic Performance GPT (TP-GPT): Real-Time Data Informed Intelligent ChatBot for Transportation Surveillance and Management

交通感知基础设施的数字化显著积累了大量交通数据，这给交通分析带来了前所未有的挑战。查询大规模多表数据库所涉及的复杂性需要专业的编程技能和劳动密集型开发。此外，传统的分析方法主要关注数值数据，往往忽略了可以增强可解释性和理解性的语义方面。此外，由于隐私问题，实时交通数据访问通常受到限制。为了弥合这一差距，将大型语言模型（LLMs）集成到交通管理领域中，提出了一种变革性的方法来解决现代交通系统中固有的复杂性和挑战。本文提出了一种智能在线聊天机器人TP-GPT，用于高效的定制交通监控和管理，该机器人由大型实时交通数据库支持。这种创新框架利用语言模型的上下文和生成智能，通过采用交通专业提示、思维链提示、少量学习、多代理协作策略和聊天记忆来生成准确的SQL查询和自然语言解释。实验研究表明，我们的方法在具有挑战性的交通分析基准TransQuery上优于GPT-4和PaLM 2等最先进的基线。TP-GPT将以隐私保护、公平和可定制的方式帮助研究人员和从业者进行实时交通监控和管理。

论文旨在解决交通数据仓库的复杂性和挑战性，提出了一种基于大语言模型的智能在线聊天机器人 TP-GPT，用于有效的定制交通监控和管理。

TP-GPT利用语言模型的上下文和生成智能，通过交通专业提示、思维链提示、少样本学习、多智能体协作策略和聊天记忆，生成准确的SQL查询和自然语言解释。

论文使用交通分析基准TransQuery对TP-GPT进行了实验研究，并表明其优于GPT-4和PaLM 2等现有基线。TP-GPT有望在隐私保护、公平性和可定制性方面帮助研究人员和从业人员进行实时交通监控和管理。

最近的相关研究包括基于深度学习的交通预测和交通流量预测等。