GSF-LLM:基于图形增强的空间时间融合的大型语言模型用于交通预测

科学领域:

• 人工智能的人工智能
• 运输工程 运输工程
• 数据科学数据科学数据科学

背景情况:

• 准确的交通预测对于智能交通系统和城市流动性至关重要.
• 现有的深度学习模型在捕捉复杂的时空动态和防止大规模网络过度适应方面面临挑战.

研究的目的:

• 提出一个新的框架,GSF-LLM (基于图形增强的时空融合的大型语言模型),将LLMs与基于图形的时空学习集成在一起.
• 解决当前深度学习方法在交通预测中的局限性,特别是关于空间依赖,时间动态和过度拟合.

主要方法:

• GSF-LLM使用时空融合模块来共同编码空间和时间相关性.
• 一个部分结的图表注意力 (PFGA) 机制模拟拓依赖性,同时减轻过度拟合.
• 低级调整 (LoRA) 微调了LLM参数的一个子集,以提高培训效率和概括性.

主要成果:

• 与最先进的基线相比,GSF-LLM在多个真实世界的交通数据集上表现出卓越的性能.
• 该框架有效地捕捉了复杂的空间和时间交通模式.
• 提出的方法成功地缓解了大规模交通网络建模中常见的过度匹配问题.

结论:

• 通过整合LLM和基于图的时空学习,GSF-LLM提供了一种强大的新方法,用于准确的交通预测.
• 该框架显示在处理空间依赖,时间动态和过度装配方面取得了显著的改进.
• 在相关的智能运输任务中,GSF-LLM具有潜在的应用,例如数据归算,轨迹生成和异常检测.