大型语言模型在智能交通管理领域的应用研究

摘 要：智能交通管理系统（Intelligent Transportation Management System， ITMS）是一个涉及交通规划、交通控制、道路安全等多方面的复杂系统。以智能交通发展的现状为输入，分析当前智能交通领域面临的问题，输出包括场景理解、事件推理、场景构建等任务，构建基于多模态大型语言模型的新兴交通应用；从交通数据分析、交通预测、智能交通控制、道路安全分析、智能出行推荐等角度探讨大型语言模型（Large Language Model， LLM）未来在智能交通管理领域的应用，更好地发力智能交通领域，促进行业交流，推动行业变革。

关键词：智能交通；ITMS；大型语言模型；跨模式处理；数字化；物联网

中图分类号：TP393 文献标识码：A 文章编号：2095-1302（2024）05-0-03

0 引 言

智能交通应用的落地，得益于全球范围数字化和智能化的快速发展，尤其是人工智能、云计算、大数据等新技术的广泛运用，让制造业智能化转型升级进行得如火如荼，智能交通领域也正进行着一场深刻的变革[1-6]。随着智能交通技术的不断完善，未来将发掘更多物联网的应用潜能，以助力智慧城市建设[7-8]。城市智能交通管理系统在基础设施和集成应用上面已经取得了显著的成效，首先智能交通已经逐步完善，在很多国家级大型活动和峰会当中都凸显了智能交通管理系统起到的作用，同时在城市的快速发展过程当中在百姓日常出行、车路协同等方面表现出一定的效果[9-10]。智能交通已经成为城市建设不可分割的重要组成部分。

1 中国智能交通的发展现状

中国智能交通已经在车联网、智能驾驶、交通预测等多个方面取得了成果，各大城市已经开始探索建设智能交通系统，以提高交通管理效率和交通安全水平。

（1）车联网技术的应用：中国车联网技术应用已经取得显著进展，包括智能交通信号控制、车联感知、智能停车等应用，极大地提升了智能交通系统的运行效率。

（2）智能驾驶示范区建设：多地已经建设智能驾驶示范区，包括北京自动驾驶示范区、上海国家自动驾驶示范区、重庆智能网联汽车应用示范区等，加速了汽车、硬件和软件产业的发展。

（3）交通数据管理能力提升：城市交通数据管理能力和技术水平不断提升，城市数米、领航数据、高德地图等企业的交通数据管理和分析技术逐年成熟。

（4）政府引导推动：政府通过资金支持、政策引导等方式，推动城市智能交通发展。比如，北京市、上海市等城市出台各类交通智能化相关政策，鼓励企业的技术研发和产品推广。

（5）交通管理的智能化：交通治理领域的智能化应用已经逐步展开，包括智能路网控制、交通一张图管理、智能拥堵疏导等方面的应用，让城市交通的治理水平有了很大的提升。

由此可以看出，智能交通在中国有十分广阔的发展前景，政策制定、技术创新、应用推广等方面都有着相当大的潜力和需求。随着技术和政策的进一步加强，中国的智能交通将会成为建设智慧城市和实现可持续发展的重要产品和服务之一。

2 智能交通管理领域目前面临的问题

智能交通是指利用高科技手段，实现通信、信息、控制和感知等多元技术手段的高度融合，通过对交通系统进行数据采集、传输、处理和控制，实现交通信息智能化、交通系统智能化和交通运输智能化的综合应用。目前，智能交通管理领域仍面临许多问题，需要我们认真思考行之有效的解决方案。

（1）城市交通状况不可控：城市交通流量变化快速，传统的交通管理方法可能无法满足实际需求，需要更加灵活、响应迅速的系统。

（2）数据管理问题：交通行为数据越来越复杂，需要存储和处理大量的数据，需要强大的数据管理解决方案。

（3）不同系统之间的相互独立性问题：由于智能交通管理系统通常由不同的供应商开发，导致各个系统之间难以互相集成和协同工作。

（4）隐私保护问题：在智能交通管理中，用户个人数据的保护尤为重要，系统应采取安全措施以保护用户隐私。

3 大型语言模型在智能交通管理领域中的具体应用

ChatGPT的出现开启了AI应用领域的新纪元。ChatGPT拥有超过1 750亿个参数，是由OpenAI开发的一种大型语言模型，特别是在自然语言处理（Natural Language Processing， NLP）方面让人印象深刻。ChatGPT的出现迅速催生出各种工程领域的应用场景。

大型语言模型是一种基于深度学习的人工智能技术，在自然语言处理（NLP）领域已经取得了很大的成功，尤其是NLP能够分析和处理来自传感器、相机和物联网设备等非语言来源的数据，这对于开发包罗万象的智能交通管理系统至关重要。在交通领域，大型语言模型可以用于解决许多关键问题，如交通拥堵预测、交通路线优化、车辆识别、自动驾驶和智能交通控制等。

（1）交通拥堵预测：通过大型语言模型，可以处理大量的交通数据并对交通拥堵进行预测。例如，可以利用历史交通数据，预测特定时间段内的交通状况，并提供相应的调节建议以缓解交通拥堵。

（2）交通路线优化：大型语言模型可以通过深度学习算法，学习和预测每个时间段不同路线的速度、流量和拥堵情况，并给出最优的路线推荐，从而提高交通效率。

（3）车辆识别：可以利用大型语言模型匹配车辆颜色、车型等特征，并在交通瓶颈处进行智能识别和分类，从而更好地实现智能交通管理和交通控制。

（4）自动驾驶：大型语言模型可以通过深度学习和数据分析，逐渐适应人类驾驶行为，并与传感器数据相结合，实现车辆在自动驾驶方面的智能决策能力和行车规划能力，提高交通安全。

（5）智能交通控制：大型语言模型可以学习城市道路拓扑结构、信号灯配时、拥堵情况等交通信息，从而更好地实现动态交通流的调度和管理，提高交通效率。

总的来说，大型语言模型将成为未来交通领域的重要技术，可以帮助解决智能交通管理中的重要问题，从而实现更加高效安全和可持续的交通发展。

4 交通中的大型语言模型的跨模式处理

2023年3月，美国中佛罗里达大学Dr. Aty团队发表了题为“ChatGPT is on the horizon： Could a large language model be all we need for Intelligent Transportation？”的文章，其中不仅展望了LLM驱动ITMS未来的应用场景，还提出了一个基于智能手机的事故报告自动生成框架。该框架提取手机传感器捕获的多个数据源，然后将数据传输到语言空间进行文本挖掘、推理和生成，并进一步输出形成综合事故报告所需的关键信息。

由此可见，大型语言模型（LLM）是交通智能化领域的关键技术之一，它可以将文本解析为有意义的信息，利用深度学习技术进行分析，以实现对车辆、行人、交通信号等交通要素的智能控制和管理。交通中的LLM跨模式处理是指将不同模式的交通数据（如文本、图像、传感器数据等）整合到LLM中进行处理，如视觉语言转换、视觉反事实推理、视觉数据生成、音频语言转换等，以实现更加全面和准确的交通信息推理和决策。

具体而言，交通中的LLM跨模式处理主要有以下3个方面：

（1）文本和图像信息的融合：文本和图像是交通数据中最为常见的两种数据类型，它们可以提供丰富的交通信息。比如，文本可以提供道路名称、行驶规则等信息，而图像可以充分采集道路上车辆、行人和交通信号等交通元素的运行信息。在LLM中融合这两种数据类型可以提高交通信息的丰富性和准确性。

（2）传感器数据的融合：传感器数据在交通管理中也扮演着重要的角色，包括雷达信号、GPS、微波信号等，传感器数据可以提供车辆速度、方向等信息。将传感器数据与文本和图像信息融合到LLM中，可以提高交通信息的精确度和覆盖范围。

（3）跨模式联合推理：交通要素之间的关联性往往较强，比如车辆速度和车流量之间具有一定的关联性。利用LLM跨模式联合推理，可以更好地发现这种关联性，实现交通信息的联合推理和决策，以提高交通安全和效率。

总之，交通中的LLM跨模式处理是一种重要技术，可以利用不同类型的交通数据，进行更加全面和准确的交通信息分析和决策，有助于智能化交通系统的优化和发展。

5 大型语言模型在智能交通管理领域的应用路径

在智能交通管理领域，大型语言模型具有很大的应用潜力，推动大型语言模型在智能交通管理领域的应用需要政府、企业和社会各方共同努力，以政府为主导，发挥各种资源、政策和法律手段的作用，促进各方面的合作、创新和共同发展，实现智能交通更快、更优地发展。

5.1 加强数据共享

大型语言模型需要大量的数据支持，政府可以推动交通主管部门和企业单位的数据共享，以收集更全面的交通数据。具体可以从以下4个方面着手：

（1）提高数据共享的意识：政府、企业、研究机构等各方应该共同认识到数据共享的重要性，建立数据共享的意识和文化，把数据共享作为加强智能交通发展的基础。

（2）建设数据共享平台：政府和行业组织可以共同发起建设交通数据共享平台，整合并标准化各类交通数据，供公众、研究人员、企业等使用。例如，建设服务于智慧交通的城市数据中心，提供智能交通数据开放接口，支持第三方应用开发、数据挖掘和分析等功能。

（3）保障数据安全和隐私：为了保障数据共享的合法性、安全性和隐私性，需要建立数据共享的管理体系和法规制度，让数据的使用者和所有者的权益得到充分的保护。

（4）鼓励参与激励机制：以政府为主导，积极与企业开展合作，以互利共赢为出发点，建立鼓励数据共享的激励机制，例如财政补助、专利授权、知识产权保护等措施，为数据共享的各参与方提供积极刺激和回报。

5.2 建设示范项目

以政府为主导开展智能交通应用示范项目，引领大型语言模型在实践中落地应用。

（1）确定示范项目目标：基于实际需求和切实可行的技术，制定明确的示范项目目标和任务，如降低交通拥堵、提高交通安全等，以便有针对性地展开示范工作。

（2）组建跨领域团队：智能交通应用涉及多个领域，建议组建以政府、企业、科研机构和高等教育机构等为主体的跨领域团队，集合各相关领域的专业人才，共同推进示范项目。

（3）确定示范区域和场景：根据示范项目的目标和任务，确定包含的示范区域和场景。区域可以涵盖城市核心区、工业园区、景区等。场景可以涉及城市交通、公共交通、出租车、物流等多种场景。

（4）选择有效的技术和设备：根据示范项目目标选用可行有效的技术和设备，如道路边缘设备、移动设备、车辆设备等。

（5）建立数据采集和交换平台：智能交通应用示范项目需要大量的实时数据支撑，建议建立数据采集和交换平台，如视频监控设施、传感器等，以支持示范项目的顺利开展。

（6）进行公众宣传和交流：智能交通应用示范项目的结果需要得到社会的广泛认可和支持，建议通过多种途径，如举办会议、展览、沙龙等方式，向公众宣传示范项目成果。

5.3 重视人才培养

智能交通是一个新兴的技术领域，需要各方面人才的共同努力和贡献。高等教育机构可以充分利用自身的资源和优势，培养具有适应智能交通快速发展的高素质人才。

（1）开设相关学科和课程：高校可以开设交通工程、物联网、数据科学等相关学科，建立智能交通专业的本科和研究生课程，包括智能交通技术、交通模型与优化、机器学习等方面的知识。

（2）提供实践机会：高校可以与企业、政府等机构合作，提供实践机会，让学生能够接触和了解行业实践，并积累实践经验。

（3）进行科研和项目合作：高校可以与科研机构和企业合作，在智能交通领域的基础研究和实践性项目中积极参与，培养和磨炼学生的智能交通技能和实际操作能力。

（4）强化人才培训和职业规划：高校可以加强学生职业规划和人才培训，为学生提供就业指导、实习机会，并关注学生就业动态，为学生提供长期支持和人才培养计划。

6 结 语

总体而言，大型语言模型在智能交通管理领域的应用研究已经取得了一定的成果和进展。通过深度学习、多模态融合等技术手段，可以处理和分析大量的交通数据，提高交通预测、交通控制、路况识别等方面的精度和效率，构建起完善的智能交通管理系统。

然而，目前的研究还存在一些挑战和难点，比如城市交通状况不可控、数据管理难、不同系统之间的相互独立性问题、隐私保护问题等。此外，智能交通管理领域的应用受到很多因素的影响，如人口流动、城市化建设、交通规划等，需要跨学科合作和综合治理才能实现更好的效果。因此，未来需要以政府为主导，进一步加强交通数据和技术的应用研究，并充分考虑交通领域的复杂性和多样性，推动智能交通系统的科学化、智能化和可持续发展。

参考文献

[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]孟闯，王慧，林浩，等.道路交通流数据预测方法研究综述[J].计算机工程与应用，2023，59（14）：51-61.

[8]刘宗明.智能交通管理平台系统的设计与实现[J].科学技术创新，2023，27（5）：105-108.

[9]张军红，马明. AI来袭，交通智能化“提挡”加速[J].经济，2023，25（3）：90-96.

[10]刘宗明.基于无线传感器网络的智能交通管理系统设计与实现[J].科学技术创新，2023，27（4）：49-52.

作者简介：陈君璐（1990—），男，硕士，副教授，现任厦门安防科技职业学院教研室主任，研究方向为交通运输。

收稿日期：2023-04-19 修回日期：2023-05-17