探索大型语言模型在重塑交通系统中的角色：综述、框架与路线图
人工智能
2025-06-24 v2
摘要
由于需求增长、动态环境以及异构信息集成，现代交通系统面临紧迫挑战。大型语言模型的快速发展为应对这些挑战提供了变革性潜力。从预训练中获得的广泛知识与高层能力，使 LLM 的默认角色从文本生成器演变为智能交通系统中由知识驱动的多面手任务求解器。本综述首先提出 LLM4TR，一个新颖的概念框架，将 LLM 在交通中的角色系统地划分为四个协同维度：信息处理器、知识编码器、组件生成器与决策促进器。通过统一的分类法，我们系统地阐明 LLM 如何弥合碎片化的数据管道、增强预测分析、模拟类人推理，并在交通系统中的感知、学习、建模与管理任务间实现闭环交互。对于每个角色，我们的综述涵盖了从交通预测和自动驾驶到安全分析和城市出行优化的各种应用，重点突出了 LLM 的涌现能力（如上下文学习和逐步推理）如何增强交通系统的运营与管理。我们进一步整理了实用指南，包括可用资源与计算准则，以支持真实部署。通过识别现有基于 LLM 的解决方案中的挑战，本综述绘制了推进 LLM 驱动的交通研究的路线图，将 LLM 定位为下一代网络-物理-社会出行生态系统中的核心角色。在线资源可在项目页面找到：https://github.com/tongnie/awesome-llm4tr。
引用
@article{arxiv.2503.21411,
title = {Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap},
author = {Tong Nie and Jian Sun and Wei Ma},
journal= {arXiv preprint arXiv:2503.21411},
year = {2025}
}
备注
Published at Artificial Intelligence for Transportation, Inaugural Issue