[논문 리뷰] TrafficGPT: Viewing, Processing and Interacting with Traffic Foundation Models

Siyao Zhang, Daocheng Fu외 3명|arXiv (Cornell University)|2023. 09. 13.

Traffic Prediction and Management TechniquesEngineering인용 수 3

한 줄 요약

TrafficGPT는 대규모 언어 모델(LM)이 교통 데이터와 시뮬레이션을 시각화하고 처리하며 상호작용할 수 있도록 ChatGPT를 교통 기초 모델(TFM)과 통합한다. 자연어 추론을 통해 TFM을 조율함으로써 의사결정 지원을 향상시키고, 작업 분해를 가능하게 하며, 정확도와 통찰력이 향상된 상호작용형 인간-중심 교통 관리 시스템을 제공한다.

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.

연구 동기 및 목표

• 대규모 언어 모델(LLM)이 수치적 교통 데이터를 처리하고 교통 시뮬레이션과 상호작용하는 데 한계가 있음을 해결한다.
• 단일 작업, 단일 라운드 운영에 국한된 전문화된 교통 기초 모델(TFM)의 고립된 성격을 극복한다.
• 지능적인 작업 분해와 순차적 TFM 조율를 통해 LLM이 복잡한 다단계 교통 관리 작업을 수행할 수 있도록 한다.
• 자연어 대화와 상호작용 피드백 루프를 통해 인간-AI 협업을 교통 제어 분야에 촉진한다.
• 다중모달 교통 데이터와 AI 추론을 활용해 도시 교통 시스템 관리에 실질적이고 통찰력 있는 권고를 제공한다.

제안 방법

• 사용자 질문의 자연어를 해석하고 고수준 작업을 하위 작업으로 분해하기 위해 ChatGPT를 중심 추론 엔진으로 통합한다.
• 다중모달 교통 데이터(영상, 감지기, 시뮬레이션 출력 등)에 대한 액세스를 다수의 TFM을 통해 중개하기 위해 데이터베이스 관리 레이어를 사용한다.
• TFM 상호작용 기능을 LLM에 통합하기 위해 일련의 구조화된 프롬프트를 정의하여 데이터 시각화, 분석, 처리 기능을 가능하게 한다.
• 이해관계자 사슬에 기반해 다수의 TFM을 순차적으로 조율함으로써 복잡한 교통 작업의 단계별 실행을 가능하게 한다.
• 사용자가 권고 사항을 도전하거나 수정할 수 있도록 피드백 루프를 구현하고, TrafficGPT는 새로운 입력에 기반해 출력을 재수정한다.
• 지도 도구를 활용해 핵심 결과(예: 교차로 위치)를 시각화하여 이해 가능성과 상황 인식 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 대규모 언어 모델이 교통 데이터와 시뮬레이션 시스템을 효과적으로 이해하고 운영할 수 있는가?
• RQ2 LLM은 어떻게 넓은 범위의 개방형 교통 관리 작업을 실행 가능한 순차적 단계로 분해할 수 있는가?
• RQ3 LLM이 조율하는 TFM 파이프라인은 교통 제어 분야에서 의사결정 품질 향상과 인간-AI 협업에 얼마나 기여하는가?
• RQ4 상호작용 피드백 메커니즘이 AI 기반 교통 권고의 신뢰성과 적응성에 어떻게 기여하는가?
• RQ5 다중모달 데이터와 전문화된 TFM의 통합은 LLM이 교통 환경에서 추론 능력과 통찰 생성 능력을 어떻게 향상시키는가?

주요 결과

• TrafficGPT는 ChatGPT가 교통 데이터를 분석하고 문제 영역(예: 세 곳의 성능이 열악한 교차로)을 식별하며, 신호 제어 최적화 권고를 제공하는 데 성공했다.
• 시스템은 복잡하고 개방형 질문을 데이터 검색, 분석, 시각화를 포함한 구조화된 추론 흐름으로 분해할 수 있는 능력을 보였다.
• 6라운드 대화를 통해 TrafficGPT는 시뮬레이션된 도로 네트워크에 대한 종합적 평가를 제공했으며, 사용자 피드백과 시뮬레이션 결과에 따라 권고 사항을 적응적으로 조정했다.
• 초기 권고와 시뮬레이션 결과 간 괴리 발생 시, TrafficGPT는 데이터를 재평가하고 추론를 정교화함으로써 적응 능력을 입증했다.
• 다양한 교통 제어 시스템에 자연어 상호작용을 가능하게 하여 전문 지식이 없는 사용자도 대화형 AI를 통해 복잡한 시스템에 참여할 수 있도록 했다.
• 특정 운영 수요에 기반해 새로운 TFM을 동적으로 통합할 수 있도록 하여 확장성 있는 배포를 지원함으로써 유연성과 확장성을 향상시켰다.