[論文レビュー] TrafficGPT: Viewing, Processing and Interacting with Traffic Foundation Models

Siyao Zhang, Daocheng Fu+3 more|arXiv (Cornell University)|Sep 13, 2023

Traffic Prediction and Management TechniquesEngineering被引用数 3

ひとこと要約

TrafficGPT は、ChatGPT を交通基盤モデル（TFMs）と統合することで、大規模言語モデル（LLMs）が交通データやシミュレーションを視認・処理・相互作用できるようにする。自然言語による推論を通じて TFMs をオ케ストレーションすることで、意思決定支援を強化し、タスクの分解を可能にし、精度と洞察の向上を実現する人間を含むインタラクティブな交通管理を実現する。

ABSTRACT

With the promotion of chatgpt to the public, Large language models indeed showcase remarkable common sense, reasoning, and planning skills, frequently providing insightful guidance. These capabilities hold significant promise for their application in urban traffic management and control. However, LLMs struggle with addressing traffic issues, especially processing numerical data and interacting with simulations, limiting their potential in solving traffic-related challenges. In parallel, specialized traffic foundation models exist but are typically designed for specific tasks with limited input-output interactions. Combining these models with LLMs presents an opportunity to enhance their capacity for tackling complex traffic-related problems and providing insightful suggestions. To bridge this gap, we present TrafficGPT, a fusion of ChatGPT and traffic foundation models. This integration yields the following key enhancements: 1) empowering ChatGPT with the capacity to view, analyze, process traffic data, and provide insightful decision support for urban transportation system management; 2) facilitating the intelligent deconstruction of broad and complex tasks and sequential utilization of traffic foundation models for their gradual completion; 3) aiding human decision-making in traffic control through natural language dialogues; and 4) enabling interactive feedback and solicitation of revised outcomes. By seamlessly intertwining large language model and traffic expertise, TrafficGPT not only advances traffic management but also offers a novel approach to leveraging AI capabilities in this domain. The TrafficGPT demo can be found in https://github.com/lijlansg/TrafficGPT.git.

研究の動機と目的

• 大規模言語モデル（LLMs）が数値的交通データを処理し、交通シミュレーションと相互作用する能力に制限があることに対処する。
• 特定のタスクに特化した交通基盤モデル（TFMs）が、単一タスク・単一ラウンド操作に限定されており、情報の断片化に陥っている問題を克服する。
• 知的なタスク分解と段階的な TFM オーケストレーションを通じて、LLMs が複雑で多段階的な交通管理タスクを実行できるようにする。
• 自然言語対話とインタラクティブフィードバックループを通じて、人間とAIの協働を促進し、交通制御を実現する。
• マルチモーダル交通データとAI推論を活用して、都市交通システム管理のための実行可能で洞察に基づいた推奨事項を提供する。

提案手法

• 自然言語ユーザークエリの解釈と高レベルタスクのサブタスクへの分解を担う中央推論エンジンとして、ChatGPT を統合する。
• マルチモーダル交通データ（動画、検知器、シミュレーション出力）へのアクセスを仲介するデータベースマネージャーレイヤーを活用し、Traffic Foundation Models（TFMs）を介してアクセスを制御する。
• TFMとの相互作用機能をLLMに組み込むために一連の構造化されたプロンプトを定義し、データの視認、分析、処理を可能にする。
• 推論チェーンに基づいて複数のTFMsを段階的にオーケストレーションすることで、複雑な交通タスクの段階的実行を可能にする。
• ユーザーが推奨事項に反論したり、修正を加えたりできるフィードバックループを実装し、TrafficGPTが新しい入力に基づいて出力を再検討する。
• マッピングツールを用いて重要な結果（例：交差点の位置）を可視化し、解釈可能性と状況認識を向上させる。

実験結果

リサーチクエスチョン

• RQ1 大規模言語モデルは、交通データやシミュレーションシステムを理解し、操作できるように効果的に拡張可能か？
• RQ2 LLMs は、広範かつオープンエンドな交通管理タスクを、実行可能で順次的なステップに分解できるか？
• RQ3 LLM がオーケストレーションする TFM パイプラインは、交通制御における意思決定の質と人間-AI協働をどの程度向上できるか？
• RQ4 インタラクティブフィードバックメカニズムは、AI駆動の交通推奨事項の信頼性と適応性を向上させられるか？
• RQ5 マルチモーダルデータと専用の TFMs の統合は、交通文脈における LLM の推論力と洞察生成能力をどの程度向上させるか？

主な発見

• TrafficGPT は、ChatGPT が交通データを分析し、問題領域（例：3つの性能が低い交差点）を特定し、信号制御最適化の推奨を提供できることを実証した。
• 本システムは、複雑でオープンエンドなクエリを、データ取得、分析、可視化を含む構造化された推論フローに分解する能力を示した。
• 6ラウンドの対話を通じて、TrafficGPT はシミュレーテッド道路ネットワーク全体の包括的評価を提供し、ユーザーのフィードバックやシミュレーション結果に基づいて推奨事項を適応的に変更した。
• 初期の推奨事項とシミュレーション結果に不一致が生じた際、TrafficGPT はデータを再評価し、推論を精緻化することで、適応性を示した。
• 本統合により、交通制御における自然言語対話が可能になり、専門知識のないユーザーが会話型AIを通じて複雑なシステムにアクセスできるようになった。
• 本フレームワークは、特定の運用ニーズに応じて新しいTFMsを動的に統合可能であるため、スケーラブルな展開を可能とし、柔軟性と拡張性を高めた。