大型語言模型在智能交通管理領域的應用研究

摘 要：智能交通管理系統（Intelligent Transportation Management System， ITMS）是一個涉及交通規劃、交通控制、道路安全等多方面的復雜系統。以智能交通發展的現狀為輸入，分析當前智能交通領域面臨的問題，輸出包括場景理解、事件推理、場景構建等任務，構建基于多模態大型語言模型的新興交通應用；從交通數據分析、交通預測、智能交通控制、道路安全分析、智能出行推薦等角度探討大型語言模型（Large Language Model， LLM）未來在智能交通管理領域的應用，更好地發力智能交通領域，促進行業交流，推動行業變革。

關鍵詞：智能交通；ITMS；大型語言模型；跨模式處理；數字化；物聯網

中圖分類號：TP393 文獻標識碼：A 文章編號：2095-1302（2024）05-0-03

0 引 言

智能交通應用的落地，得益于全球范圍數字化和智能化的快速發展，尤其是人工智能、云計算、大數據等新技術的廣泛運用，讓制造業智能化轉型升級進行得如火如荼，智能交通領域也正進行著一場深刻的變革[1-6]。隨著智能交通技術的不斷完善，未來將發掘更多物聯網的應用潛能，以助力智慧城市建設[7-8]。城市智能交通管理系統在基礎設施和集成應用上面已經取得了顯著的成效，首先智能交通已經逐步完善，在很多國家級大型活動和峰會當中都凸顯了智能交通管理系統起到的作用，同時在城市的快速發展過程當中在百姓日常出行、車路協同等方面表現出一定的效果[9-10]。智能交通已經成為城市建設不可分割的重要組成部分。

1 中國智能交通的發展現狀

中國智能交通已經在車聯網、智能駕駛、交通預測等多個方面取得了成果，各大城市已經開始探索建設智能交通系統，以提高交通管理效率和交通安全水平。

（1）車聯網技術的應用：中國車聯網技術應用已經取得顯著進展，包括智能交通信號控制、車聯感知、智能停車等應用，極大地提升了智能交通系統的運行效率。

（2）智能駕駛示范區建設：多地已經建設智能駕駛示范區，包括北京自動駕駛示范區、上海國家自動駕駛示范區、重慶智能網聯汽車應用示范區等，加速了汽車、硬件和軟件產業的發展。

（3）交通數據管理能力提升：城市交通數據管理能力和技術水平不斷提升，城市數米、領航數據、高德地圖等企業的交通數據管理和分析技術逐年成熟。

（4）政府引導推動：政府通過資金支持、政策引導等方式，推動城市智能交通發展。比如，北京市、上海市等城市出臺各類交通智能化相關政策，鼓勵企業的技術研發和產品推廣。

（5）交通管理的智能化：交通治理領域的智能化應用已經逐步展開，包括智能路網控制、交通一張圖管理、智能擁堵疏導等方面的應用，讓城市交通的治理水平有了很大的提升。

由此可以看出，智能交通在中國有十分廣闊的發展前景，政策制定、技術創新、應用推廣等方面都有著相當大的潛力和需求。隨著技術和政策的進一步加強，中國的智能交通將會成為建設智慧城市和實現可持續發展的重要產品和服務之一。

2 智能交通管理領域目前面臨的問題

智能交通是指利用高科技手段，實現通信、信息、控制和感知等多元技術手段的高度融合，通過對交通系統進行數據采集、傳輸、處理和控制，實現交通信息智能化、交通系統智能化和交通運輸智能化的綜合應用。目前，智能交通管理領域仍面臨許多問題，需要我們認真思考行之有效的解決方案。

（1）城市交通狀況不可控：城市交通流量變化快速，傳統的交通管理方法可能無法滿足實際需求，需要更加靈活、響應迅速的系統。

（2）數據管理問題：交通行為數據越來越復雜，需要存儲和處理大量的數據，需要強大的數據管理解決方案。

（3）不同系統之間的相互獨立性問題：由于智能交通管理系統通常由不同的供應商開發，導致各個系統之間難以互相集成和協同工作。

（4）隱私保護問題：在智能交通管理中，用戶個人數據的保護尤為重要，系統應采取安全措施以保護用戶隱私。

3 大型語言模型在智能交通管理領域中的具體應用

ChatGPT的出現開啟了AI應用領域的新紀元。ChatGPT擁有超過1 750億個參數，是由OpenAI開發的一種大型語言模型，特別是在自然語言處理（Natural Language Processing， NLP）方面讓人印象深刻。ChatGPT的出現迅速催生出各種工程領域的應用場景。

大型語言模型是一種基于深度學習的人工智能技術，在自然語言處理（NLP）領域已經取得了很大的成功，尤其是NLP能夠分析和處理來自傳感器、相機和物聯網設備等非語言來源的數據，這對于開發包羅萬象的智能交通管理系統至關重要。在交通領域，大型語言模型可以用于解決許多關鍵問題，如交通擁堵預測、交通路線優化、車輛識別、自動駕駛和智能交通控制等。

（1）交通擁堵預測：通過大型語言模型，可以處理大量的交通數據并對交通擁堵進行預測。例如，可以利用歷史交通數據，預測特定時間段內的交通狀況，并提供相應的調節建議以緩解交通擁堵。

（2）交通路線優化：大型語言模型可以通過深度學習算法，學習和預測每個時間段不同路線的速度、流量和擁堵情況，并給出最優的路線推薦，從而提高交通效率。

（3）車輛識別：可以利用大型語言模型匹配車輛顏色、車型等特征，并在交通瓶頸處進行智能識別和分類，從而更好地實現智能交通管理和交通控制。

（4）自動駕駛：大型語言模型可以通過深度學習和數據分析，逐漸適應人類駕駛行為，并與傳感器數據相結合，實現車輛在自動駕駛方面的智能決策能力和行車規劃能力，提高交通安全。

（5）智能交通控制：大型語言模型可以學習城市道路拓撲結構、信號燈配時、擁堵情況等交通信息，從而更好地實現動態交通流的調度和管理，提高交通效率。

總的來說，大型語言模型將成為未來交通領域的重要技術，可以幫助解決智能交通管理中的重要問題，從而實現更加高效安全和可持續的交通發展。

4 交通中的大型語言模型的跨模式處理

2023年3月，美國中佛羅里達大學Dr. Aty團隊發表了題為“ChatGPT is on the horizon： Could a large language model be all we need for Intelligent Transportation？”的文章，其中不僅展望了LLM驅動ITMS未來的應用場景，還提出了一個基于智能手機的事故報告自動生成框架。該框架提取手機傳感器捕獲的多個數據源，然后將數據傳輸到語言空間進行文本挖掘、推理和生成，并進一步輸出形成綜合事故報告所需的關鍵信息。

由此可見，大型語言模型（LLM）是交通智能化領域的關鍵技術之一，它可以將文本解析為有意義的信息，利用深度學習技術進行分析，以實現對車輛、行人、交通信號等交通要素的智能控制和管理。交通中的LLM跨模式處理是指將不同模式的交通數據（如文本、圖像、傳感器數據等）整合到LLM中進行處理，如視覺語言轉換、視覺反事實推理、視覺數據生成、音頻語言轉換等，以實現更加全面和準確的交通信息推理和決策。

具體而言，交通中的LLM跨模式處理主要有以下3個方面：

（1）文本和圖像信息的融合：文本和圖像是交通數據中最為常見的兩種數據類型，它們可以提供豐富的交通信息。比如，文本可以提供道路名稱、行駛規則等信息，而圖像可以充分采集道路上車輛、行人和交通信號等交通元素的運行信息。在LLM中融合這兩種數據類型可以提高交通信息的豐富性和準確性。

（2）傳感器數據的融合：傳感器數據在交通管理中也扮演著重要的角色，包括雷達信號、GPS、微波信號等，傳感器數據可以提供車輛速度、方向等信息。將傳感器數據與文本和圖像信息融合到LLM中，可以提高交通信息的精確度和覆蓋范圍。

（3）跨模式聯合推理：交通要素之間的關聯性往往較強，比如車輛速度和車流量之間具有一定的關聯性。利用LLM跨模式聯合推理，可以更好地發現這種關聯性，實現交通信息的聯合推理和決策，以提高交通安全和效率。

總之，交通中的LLM跨模式處理是一種重要技術，可以利用不同類型的交通數據，進行更加全面和準確的交通信息分析和決策，有助于智能化交通系統的優化和發展。

5 大型語言模型在智能交通管理領域的應用路徑

在智能交通管理領域，大型語言模型具有很大的應用潛力，推動大型語言模型在智能交通管理領域的應用需要政府、企業和社會各方共同努力，以政府為主導，發揮各種資源、政策和法律手段的作用，促進各方面的合作、創新和共同發展，實現智能交通更快、更優地發展。

5.1 加強數據共享

大型語言模型需要大量的數據支持，政府可以推動交通主管部門和企業單位的數據共享，以收集更全面的交通數據。具體可以從以下4個方面著手：

（1）提高數據共享的意識：政府、企業、研究機構等各方應該共同認識到數據共享的重要性，建立數據共享的意識和文化，把數據共享作為加強智能交通發展的基礎。

（2）建設數據共享平臺：政府和行業組織可以共同發起建設交通數據共享平臺，整合并標準化各類交通數據，供公眾、研究人員、企業等使用。例如，建設服務于智慧交通的城市數據中心，提供智能交通數據開放接口，支持第三方應用開發、數據挖掘和分析等功能。

（3）保障數據安全和隱私：為了保障數據共享的合法性、安全性和隱私性，需要建立數據共享的管理體系和法規制度，讓數據的使用者和所有者的權益得到充分的保護。

（4）鼓勵參與激勵機制：以政府為主導，積極與企業開展合作，以互利共贏為出發點，建立鼓勵數據共享的激勵機制，例如財政補助、專利授權、知識產權保護等措施，為數據共享的各參與方提供積極刺激和回報。

5.2 建設示范項目

以政府為主導開展智能交通應用示范項目，引領大型語言模型在實踐中落地應用。

（1）確定示范項目目標：基于實際需求和切實可行的技術，制定明確的示范項目目標和任務，如降低交通擁堵、提高交通安全等，以便有針對性地展開示范工作。

（2）組建跨領域團隊：智能交通應用涉及多個領域，建議組建以政府、企業、科研機構和高等教育機構等為主體的跨領域團隊，集合各相關領域的專業人才，共同推進示范項目。

（3）確定示范區域和場景：根據示范項目的目標和任務，確定包含的示范區域和場景。區域可以涵蓋城市核心區、工業園區、景區等。場景可以涉及城市交通、公共交通、出租車、物流等多種場景。

（4）選擇有效的技術和設備：根據示范項目目標選用可行有效的技術和設備，如道路邊緣設備、移動設備、車輛設備等。

（5）建立數據采集和交換平臺：智能交通應用示范項目需要大量的實時數據支撐，建議建立數據采集和交換平臺，如視頻監控設施、傳感器等，以支持示范項目的順利開展。

（6）進行公眾宣傳和交流：智能交通應用示范項目的結果需要得到社會的廣泛認可和支持，建議通過多種途徑，如舉辦會議、展覽、沙龍等方式，向公眾宣傳示范項目成果。

5.3 重視人才培養

智能交通是一個新興的技術領域，需要各方面人才的共同努力和貢獻。高等教育機構可以充分利用自身的資源和優勢，培養具有適應智能交通快速發展的高素質人才。

（1）開設相關學科和課程：高?？梢蚤_設交通工程、物聯網、數據科學等相關學科，建立智能交通專業的本科和研究生課程，包括智能交通技術、交通模型與優化、機器學習等方面的知識。

（2）提供實踐機會：高校可以與企業、政府等機構合作，提供實踐機會，讓學生能夠接觸和了解行業實踐，并積累實踐經驗。

（3）進行科研和項目合作：高?？梢耘c科研機構和企業合作，在智能交通領域的基礎研究和實踐性項目中積極參與，培養和磨煉學生的智能交通技能和實際操作能力。

（4）強化人才培訓和職業規劃：高校可以加強學生職業規劃和人才培訓，為學生提供就業指導、實習機會，并關注學生就業動態，為學生提供長期支持和人才培養計劃。

6 結 語

總體而言，大型語言模型在智能交通管理領域的應用研究已經取得了一定的成果和進展。通過深度學習、多模態融合等技術手段，可以處理和分析大量的交通數據，提高交通預測、交通控制、路況識別等方面的精度和效率，構建起完善的智能交通管理系統。

然而，目前的研究還存在一些挑戰和難點，比如城市交通狀況不可控、數據管理難、不同系統之間的相互獨立性問題、隱私保護問題等。此外，智能交通管理領域的應用受到很多因素的影響，如人口流動、城市化建設、交通規劃等，需要跨學科合作和綜合治理才能實現更好的效果。因此，未來需要以政府為主導，進一步加強交通數據和技術的應用研究，并充分考慮交通領域的復雜性和多樣性，推動智能交通系統的科學化、智能化和可持續發展。

參考文獻

[1] GE Y，LIN F，LI Q. Integration of big data analytics and language model for intelligent transportation systems [J]. IEEE access，2020，8：84658-84672.

[2] LI S，CHEN X，WANG J，et al. Research on intelligent transportation system with deep learning based language model [C]// Proceedings of 2019 International Conference on Robotics，Automation and Communications Engineering（RACE）. [S.l.]：IEEE，2019：97-101.

[3] WANG J，LI Z，LI Q，et al. Using language models to mine real-time traffic information from social media in intelligent transportation systems [C]// Proceedings of 2019 IEEE International Conference on Smart Transportation and Smart Cities（ICTSC）. [S.l.]：IEEE，2019：15-19.

[4] YANG H，YU H，CHEN C. A deep learning approach based on language model for traffic flow pattern classification [C]// Proceedings of 2020 IEEE International Conference on Artificial Intelligence and Computer Applications（ICAICA）. [S.l.]：IEEE，2020：396-401.

[5] ZHANG Y，HUANG J，ZHU J，et al. Research on application of deep learning and language model in traffic prediction [C]// Proceedings of 2019 International Conference on Artificial Intelligence in Information and Communication（ICAIIC）. [S.l.]：IEEE，2019：71-76.

[6] ZHAO R，CHENG X，LEI J，et al. Research on the optimization of traffic signal control based on transformer language model [C]// Proceedings of 2020 IEEE International Conference on Smart Transportation and Future Mobility（CSTFM）. [S.l.]：IEEE，2020：173-177.

[7]孟闖，王慧，林浩，等.道路交通流數據預測方法研究綜述[J].計算機工程與應用，2023，59（14）：51-61.

[8]劉宗明.智能交通管理平臺系統的設計與實現[J].科學技術創新，2023，27（5）：105-108.

[9]張軍紅，馬明. AI來襲，交通智能化“提擋”加速[J].經濟，2023，25（3）：90-96.

[10]劉宗明.基于無線傳感器網絡的智能交通管理系統設計與實現[J].科學技術創新，2023，27（4）：49-52.

作者簡介：陳君璐（1990—），男，碩士，副教授，現任廈門安防科技職業學院教研室主任，研究方向為交通運輸。

收稿日期：2023-04-19 修回日期：2023-05-17