[论文解读] 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 3

一句话总结

TrafficGPT 将 ChatGPT 与交通基础模型（TFMs）相结合，使大型语言模型能够查看、处理并交互交通数据与仿真系统。通过自然语言推理编排 TFMs，它增强了决策支持能力，实现任务分解，并支持更准确、更具洞察力的交互式、人机协同交通管理。

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.

研究动机与目标

• 解决大型语言模型（LLMs）在处理数值型交通数据及与交通仿真系统交互方面的局限性。
• 克服专业化交通基础模型（TFMs）的孤岛化问题，这些模型仅限于单任务、单轮操作。
• 通过智能任务分解与序列化 TFM 编排，使 LLM 能够执行复杂、多步骤的交通管理任务。
• 通过自然语言对话与交互式反馈回路，促进人机在交通控制中的协作。
• 利用多模态交通数据与 AI 推理，提供可操作的、基于洞察的建议，用于城市交通系统管理。

提出的方法

• 将 ChatGPT 作为核心推理引擎，用于理解自然语言用户查询，并将高层次任务分解为子任务。
• 通过数据库管理模块中介对多模态交通数据（视频、检测器数据、仿真输出）的访问，借助交通基础模型（TFMs）。
• 定义一系列结构化提示，将 TFM 交互能力注入 LLM，实现数据查看、分析与处理。
• 基于推理链按顺序编排多个 TFM，实现复杂交通任务的逐步执行。
• 实现反馈回路，用户可质疑或优化建议，TrafficGPT 根据新输入修订其输出。
• 使用制图工具可视化关键结果（例如，交叉路口位置），以增强可解释性与态势感知能力。

实验结果

研究问题

• RQ1 大型语言模型能否被有效扩展以理解并操作交通数据与仿真系统？
• RQ2 如何使 LLM 能够将广泛、开放式的交通管理任务分解为可操作的、有序的步骤？
• RQ3 LLM 编排的 TFM 任务流在多大程度上能提升交通控制中的决策质量与人机协作？
• RQ4 交互式反馈机制能否增强基于 AI 的交通建议的可靠性与适应性？
• RQ5 多模态数据与专用 TFM 的集成在多大程度上提升了 LLM 在交通场景中的推理与洞察生成能力？

主要发现

• TrafficGPT 有效使 ChatGPT 能够分析交通数据，识别问题区域（例如，三个表现不佳的交叉路口），并提供针对性的信号控制优化建议。
• 该系统展示了将复杂、开放式查询分解为结构化推理流程的能力，包括数据检索、分析与可视化。
• 在六轮对话中，TrafficGPT 对模拟道路网络提供了全面评估，根据用户反馈与仿真结果动态调整其建议。
• 当初始建议与仿真结果出现差异时，TrafficGPT 通过重新评估数据并优化推理过程，修正其建议，展现出良好的适应性。
• 该集成实现了交通控制的自然语言交互，使非专家能够通过对话式 AI 参与复杂系统操作。
• 该框架支持可扩展部署，允许根据特定运行需求动态集成新 TFM，从而提升灵活性与可扩展性。