Strada-LLM：用于交通预测的图 LLM
机器学习
2025-11-17 v3 人工智能
摘要
交通预测对智能交通系统至关重要，准确且可解释的预测能显著提升运营效率与安全性。一个关键挑战在于不同地点交通状况的异质性，导致交通数据分布高度差异。大型语言模型（LLM）在这种动态且数据稀疏的场景中展现出了出色的少样本学习潜力。然而，现有的基于 LLM 的解决方案通常依赖于提示微调，这可能难以完全捕捉复杂的图关系和时空依赖性，从而限制了其在真实交通网络中的适应性与可解释性。我们通过引入 Strada-LLM 来填补这些空白，这是一种新颖的多元概率预测 LLM，能够显式地对时间与空间交通模式进行建模。通过将近端交通信息作为协变量纳入，Strada-LLM 更有效地捕捉了局部变化，并优于基于提示的现有 LLM。为了进一步增强适应性，我们提出了一种轻量级的分布衍生策略用于领域适应，使得在遇到新数据分布或改变的网络拓扑结构时能够进行参数高效的模型更新——即使在少样本约束下也是如此。在时空交通数据集上的实证评估表明，Strada-LLM 始终优于 SOTA 的 LLM 驱动预测器和传统的基于 GNN 的预测器。具体而言，它在 RMSE 误差上将长期预测提升了 17%，并提高了 16% 的效率。此外，它在不同的 LLM 主干网络中均保持稳健的性能且退化极小，使其成为真实交通预测任务中通用且强大的解决方案。
引用
@article{arxiv.2410.20856,
title = {Strada-LLM: Graph LLM for traffic prediction},
author = {Seyed Mohamad Moghadas and Bruno Cornelis and Alexandre Alahi and Adrian Munteanu},
journal= {arXiv preprint arXiv:2410.20856},
year = {2025}
}
备注
13 pages