CrossTrafficLLM：一种基于大型语言模型的可解释交通智能人本框架
机器学习
2026-01-13 v1 计算与语言
摘要
虽然准确的交通预测对智能交通系统（ITS）至关重要，但通过自然语言有效传达预测状况以支持以人为中心的决策仍然是一个挑战，并且通常被分开处理。为了解决这个问题，我们提出了CrossTrafficLLM，一个新颖的生成式AI驱动框架，它同时预测未来的时空交通状态并生成相应的自然语言描述，特别针对条件异常事件摘要。我们通过利用大型语言模型（LLMs）在一个统一的架构中，解决了将定量交通数据与定性文本语义对齐的核心挑战。这种设计允许生成的文本上下文提高预测准确性，同时确保生成的报告直接由预测结果提供信息。在技术上，采用了一个文本引导的自适应图卷积网络，以有效地将高级语义信息与交通网络结构融合。在BJTT数据集上的评估表明，CrossTrafficLLM在交通预测性能和文本生成质量方面都明显超越了最先进的方法。通过统一预测和描述生成，CrossTrafficLLM为生成式交通智能提供了一种更具可解释性、可操作性的方法，为现代ITS应用提供了显著优势。
引用
@article{arxiv.2601.06042,
title = {CrossTrafficLLM: A Human-Centric Framework for Interpretable Traffic Intelligence via Large Language Model},
author = {Zeming Du and Qitan Shao and Hongfei Liu and Yong Zhang},
journal= {arXiv preprint arXiv:2601.06042},
year = {2026}
}