Explainable Traffic Flow Prediction with Large Language Models

要約

交通流予測は、都市計画、交通管理、インフラ開発にとって重要です。
ただし、トラフィック データの複雑さとディープ ラーニング手法特有の不透明さにより、予測モデルの精度と解釈可能性の両方を達成することは依然として困難です。
この論文では、大規模言語モデル (LLM) を活用して解釈可能な交通流予測を生成する新しいアプローチである交通流予測 LLM (TF-LLM) を提案します。
TF-LLM は、マルチモーダル交通データを自然言語記述に変換することにより、複雑な時空間パターンと、気象条件、名所 (PoI)、日付、休日などの外部要因を捕捉します。
言語ベースの命令を使用して LLM フレームワークを微調整し、時空間交通流データに合わせます。
カリフォルニアにある当社の包括的なマルチモーダル交通流データセット (CATraffic) により、最先端の深層学習ベースラインに対する TF-LLM の評価が可能になります。
結果は、直感的で解釈可能な予測を提供しながら、TF-LLM の優れた精度を実証しています。
説明可能な将来の流れ予測のための時空間依存関係と入力依存関係について議論し、多様な都市予測タスクに対する TF-LLM の可能性を示します。
この論文は、説明可能な交通予測モデルの進歩に貢献し、交通における LLM アプリケーションの将来の探求のための基礎を築きます。

要約(オリジナル)

Traffic flow prediction is crucial for urban planning, transportation management, and infrastructure development. However, achieving both accuracy and interpretability in prediction models remains challenging due to the complexity of traffic data and the inherent opacity of deep learning methodologies. In this paper, we propose a novel approach, Traffic Flow Prediction LLM (TF-LLM), which leverages large language models (LLMs) to generate interpretable traffic flow predictions. By transferring multi-modal traffic data into natural language descriptions, TF-LLM captures complex spatial-temporal patterns and external factors such as weather conditions, Points of Interest (PoIs), date, and holidays. We fine-tune the LLM framework using language-based instructions to align with spatial-temporal traffic flow data. Our comprehensive multi-modal traffic flow dataset (CATraffic) in California enables the evaluation of TF-LLM against state-of-the-art deep learning baselines. Results demonstrate TF-LLM’s competitive accuracy while providing intuitive and interpretable predictions. We discuss the spatial-temporal and input dependencies for explainable future flow forecasting, showcasing TF-LLM’s potential for diverse city prediction tasks. This paper contributes to advancing explainable traffic prediction models and lays a foundation for future exploration of LLM applications in transportation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google