[论文解读] A Survey of Generative AI for Intelligent Transportation Systems: Road Transportation Perspective

Huan Yan, Yong Li|arXiv (Cornell University)|Dec 13, 2023

Traffic Prediction and Management Techniques被引用 8

一句话总结

本论文综述生成式人工智能技术在智能交通系统中的应用，将任务分为感知、预测、仿真和决策制定，并比较它们的优点与挑战。

ABSTRACT

Intelligent transportation systems are vital for modern traffic management and optimization, greatly improving traffic efficiency and safety. With the rapid development of generative artificial intelligence (Generative AI) technologies in areas like image generation and natural language processing, generative AI has also played a crucial role in addressing key issues in intelligent transportation systems (ITS), such as data sparsity, difficulty in observing abnormal scenarios, and in modeling data uncertainty. In this review, we systematically investigate the relevant literature on generative AI techniques in addressing key issues in different types of tasks in ITS tailored specifically for road transportation. First, we introduce the principles of different generative AI techniques. Then, we classify tasks in ITS into four types: traffic perception, traffic prediction, traffic simulation, and traffic decision-making. We systematically illustrate how generative AI techniques addresses key issues in these four different types of tasks. Finally, we summarize the challenges faced in applying generative AI to intelligent transportation systems, and discuss future research directions based on different application scenarios.

研究动机与目标

• 动机引入生成式 AI，以解决 ITS 中的数据稀缺、罕见异常情景和数据不确定性问题。
• 系统性地将 ITS 任务分类为交通感知、预测、仿真和决策制定，并将生成式 AI 解决方案映射到这些任务。
• 对主流生成式 AI 技术及其在 ITS 挑战中的适用性进行对比分析。
• 识别未解决的挑战并提出未来在 ITS 中应用生成式 AI 的研究方向。

提出的方法

• 介绍并解释主流生成式 AI 技术（VAE、GAN、Normalizing Flows、EBMs、Diffusion Models、GenPhys、GPT）。
• 讨论每种技术在 ITS 应用中的优点和局限性。
• 将生成式 AI 方法映射到 ITS 任务：感知、预测、仿真和决策制定。
• 从横向和纵向 perspectives 对技术性能与适用性进行对比分析。
• 强调跨文本、图像、视频和跨模态数据的生成任务，以展示更广泛的适用性。

实验结果

研究问题

• RQ1 生成式 AI 如何解决 ITS 中的数据稀缺、异常事件与不确定性？
• RQ2 生成式 AI 如何在 ITS 的四大任务类别（感知、预测、仿真、决策制定）中得到有效应用？
• RQ3 主要生成式 AI 技术在 ITS 应用中的比较优势与局限性是什么？
• RQ4 在 ITS 中部署生成式 AI 还存在哪些挑战，未来研究方向有哪些？

主要发现

• 生成式 AI 技术具有数据生成与不确定性建模能力，可对传统 ITS 方法形成补充。
• GAN、VAE、扩散模型和 GPT 风格架构在 ITS 任务上有不同的优点和缺点，影响训练稳定性和质量。
• 生成式方法能够实现高保真场景生成、数据增强及场景仿真，用于自动驾驶与交通分析。
• 跨模态生成与物理为基础的生成模型（GenPhys）拓展了 ITS 应用，超越传统的数据驱动方法。
• 本文讨论了在 ITS 场景中应用生成式 AI 的未解挑战与未来研究方向。