CrossTrafficLLM: A Human-Centric Framework for Interpretable Traffic Intelligence via Large Language Model

📄 arXiv: 2601.06042v1 📥 PDF

作者: Zeming Du, Qitan Shao, Hongfei Liu, Yong Zhang

分类: cs.LG, cs.CL

发布日期: 2025-12-15

💡 一句话要点

CrossTrafficLLM：提出一种以人为中心的框架，通过大语言模型实现可解释的交通智能。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 交通预测 自然语言生成 大语言模型 智能交通系统 图卷积网络 可解释性 人机交互

📋 核心要点

  1. 现有交通预测方法难以将预测结果转化为自然语言，从而阻碍了以人为中心的决策支持。
  2. CrossTrafficLLM利用大语言模型，将交通预测与自然语言描述生成统一到一个框架中，提升可解释性。
  3. 实验结果表明，CrossTrafficLLM在交通预测精度和文本生成质量上均优于现有方法，具有显著优势。

📝 摘要（中文）

准确的交通预测对于智能交通系统（ITS）至关重要，但如何通过自然语言有效地传达预测结果，以支持以人为中心的决策仍然是一个挑战，并且通常是分开处理的。为了解决这个问题，我们提出了CrossTrafficLLM，这是一个新颖的由GenAI驱动的框架，可以同时预测未来的时空交通状态，并生成相应的自然语言描述，特别是针对有条件的异常事件摘要。我们通过在统一的架构中利用大型语言模型（LLM），解决了将定量交通数据与定性文本语义对齐的核心挑战。这种设计允许生成性的文本上下文来提高预测精度，同时确保生成的报告直接由预测提供信息。在技术上，采用了一种文本引导的自适应图卷积网络，以有效地将高层语义信息与交通网络结构融合。在BJTT数据集上的评估表明，CrossTrafficLLM在交通预测性能和文本生成质量方面都超过了最先进的方法。通过统一预测和描述生成，CrossTrafficLLM为生成式交通智能提供了一种更可解释和可操作的方法，为现代ITS应用提供了显著的优势。

🔬 方法详解

问题定义：现有智能交通系统中的交通预测与自然语言描述通常是分离的，这使得预测结果难以被人类理解和利用。因此，该论文旨在解决如何将定量的交通数据转化为定性的自然语言描述，从而更好地支持以人为中心的决策。现有方法的痛点在于缺乏一个统一的框架来同时进行交通预测和自然语言生成，导致预测结果的可解释性不足。

核心思路：该论文的核心思路是利用大型语言模型（LLM）的强大能力，构建一个统一的框架CrossTrafficLLM，该框架能够同时预测未来的时空交通状态，并生成相应的自然语言描述。通过将交通预测与自然语言生成相结合，可以提高预测结果的可解释性，并为用户提供更直观的交通信息。这种设计允许生成性的文本上下文来改善预测精度，同时确保生成的报告直接基于预测。

技术框架：CrossTrafficLLM的整体架构包含交通预测模块和文本生成模块，这两个模块通过LLM进行连接。首先，交通预测模块利用文本引导的自适应图卷积网络来预测未来的交通状态。然后，LLM根据预测的交通状态生成相应的自然语言描述。整个流程实现了交通预测和自然语言生成的统一。

关键创新：该论文最重要的技术创新点在于提出了一个统一的框架CrossTrafficLLM，该框架能够同时进行交通预测和自然语言生成。与现有方法相比，CrossTrafficLLM能够更好地将定量的交通数据转化为定性的自然语言描述，从而提高预测结果的可解释性。此外，文本引导的自适应图卷积网络能够有效地融合高层语义信息与交通网络结构。

关键设计：在CrossTrafficLLM中，文本引导的自适应图卷积网络是关键的设计之一。该网络能够根据输入的文本信息，自适应地调整图卷积操作，从而更好地融合高层语义信息与交通网络结构。此外，LLM的选择和训练也是关键的设计，需要选择合适的LLM，并使用大量的交通数据进行训练，以提高文本生成质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CrossTrafficLLM在BJTT数据集上进行了评估，实验结果表明，CrossTrafficLLM在交通预测性能和文本生成质量方面均优于现有方法。具体而言，CrossTrafficLLM在交通预测的各项指标上均取得了显著提升，并且生成的自然语言描述更加准确、流畅、易于理解。相较于基线模型，性能提升幅度显著。

🎯 应用场景

CrossTrafficLLM可应用于智能交通管理、交通信息服务、自动驾驶等领域。它可以为交通管理者提供更直观的交通状况信息，帮助他们做出更明智的决策。同时，它也可以为公众提供个性化的交通信息服务，例如，根据用户的出行习惯和偏好，生成定制化的交通报告。此外，CrossTrafficLLM还可以应用于自动驾驶领域，帮助自动驾驶车辆更好地理解交通环境，从而提高行驶安全性。

📄 摘要（原文）

While accurate traffic forecasting is vital for Intelligent Transportation Systems (ITS), effectively communicating predicted conditions via natural language for human-centric decision support remains a challenge and is often handled separately. To address this, we propose CrossTrafficLLM, a novel GenAI-driven framework that simultaneously predicts future spatiotemporal traffic states and generates corresponding natural language descriptions, specifically targeting conditional abnormal event summaries. We tackle the core challenge of aligning quantitative traffic data with qualitative textual semantics by leveraging Large Language Models (LLMs) within a unified architecture. This design allows generative textual context to improve prediction accuracy while ensuring generated reports are directly informed by the forecast. Technically, a text-guided adaptive graph convolutional network is employed to effectively merge high-level semantic information with the traffic network structure. Evaluated on the BJTT dataset, CrossTrafficLLM demonstrably surpasses state-of-the-art methods in both traffic forecasting performance and text generation quality. By unifying prediction and description generation, CrossTrafficLLM delivers a more interpretable, and actionable approach to generative traffic intelligence, offering significant advantages for modern ITS applications.