论文笔记：Towards Explainable Traffic Flow Prediction with Large Language Models

202404 ARXIV

1 INTRO

• 交通预测的挑战
  • 抽象的特征表示削弱了模型的泛化能力
  • 在缺乏标注数据的交通预测任务中，难以提供预测的可信度和结果解释能力
• ——>提出了一个新颖的交通流预测框架——xTP-LLM
  • 基于大语言模型，能够有效预测未来交通流，并提供可解释的推理过程
  • 将交通数据及其外部因素（如兴趣点、天气、日期和节假日等）转化为结构化的提示
  • 不仅在预测准确率上优于现有的深度学习方法，而且在多种预测场景下表现出较强的泛化能力

2 problem definition

3 方法

3.1 prompt构造

3.1.1 系统提示（System Prompts）

• 任务描述和领域知识构成
  • 引导 LLM 考虑空间因素、时间波动及其交互关系
  • 还提供了特定区域的交通模式案例，帮助模型理解地理特征与流量变化之间的联系，例如住宅区在早晚高峰期间交通活动显著上升

3.1.2  思维链（Chain of Thoughts）

• 借鉴 zero-shot CoT 的思想，设计了时空思维链提示来增强 LLM 的推理能力。
  • 首先引导 LLM 分析目标区域的空间特征及潜在交通动态
  • 随后判断预测时间是否处于高峰期、工作日、周末或节假日
  • 最后引导模型挖掘空间数据与历史流量波动之间的深层联系，从而得出精确的预测结果。

3.1.3  空间属性（Spatial Attributes）

• 由附近的PoI数据提取，预处理了不同半径（1km、3km、5km）内的 PoI 类别信息
  • 为了避免信息冗余及模型过度依赖 PoI，将 PoI 分布归纳为区域属性描述，如交通枢纽、商业区、住宅区等，从而有效表达地理特征
• 还包括城市、道路位置等区域信息

3.1.4 历史时间序列（Historical Time Series）

• 将历史序列转化为包含数值的文本描述,展示过去 12 小时每小时的交通数据

3.1.5 外部因素（External Factors）

交通流受诸多外部因素影响，如日期、节假日、天气、气温与能见度等

3.2 监督微调（Supervised Fine-tuning）

提出的 xTP-LLM 构建于开源的大语言模型 Llama2-7B-chat上，并采用 LoRA 进行微调

3.3 解释生成

• 通过在提示词中加入解释指令，不仅可以生成预测结果，还能同步给出解释
  • 在初始阶段，我们在输入提示中直接添加了解释生成的指令。虽然 xTP-LLM 能够产出解释文本，但这些解释与预测结果往往缺乏一致性
    • ——>认为这一问题源于微调阶段仅对预测结果参与损失函数优化，而没有对解释进行对齐训练
    • 为了解决这一对齐不足的问题，引入了少样本学习
      • 在输入提示中加入若干精心挑选的示例，说明预测结果与解释应如何对应，LLM 能在推理过程中动态学习这种对应关系

3.4 纯预测的prompt

3.5 带解释的prompt

4 实验

4.1 数据

• 创建了多模态交通预测数据集 CATraffic
  • 交通流量数据源自 LargeST ，涵盖了 2017 至 2021 年间的加州交通流量信息，共包含 8600 个交通传感器，每 15 分钟采样一次
    • 选取了部分数据构建 CATraffic 数据集，聚焦于大洛杉矶地区（Greater Los Angeles, GLA）和大湾区（Greater Bay Area, GBA）的 1000 个传感器，时间跨度为 2018 年 1 月 1 日至 2019 年 12 月 30 日，采样频率为每小时一次。
  • PoI 数据通过 OpenStreetMap 平台，利用 Overpass Turbo API 获取。
  • 气象数据则来自美国国家海洋与大气管理局（NOAA），包括报告的天气事件、气温和能见度等，这些因素会直接影响交通模式
• 

• 将数据划分为训练集与验证集：2018 年的数据用于训练，2019 年的数据用于验证。
• 所有实验均设置为：根据过去 12 小时的历史交通流量数据，预测未来 12 小时的交通流量。

• 为了评估模型的泛化能力，还构建了一个“零样本”数据集
  • 从 LargeST 数据集中选取圣地亚哥地区的 100 个传感器

4.2 实验结果