交通控制体系中的 Prompt工程：引导LLMs实现高效交错口管理 !

本研究提出了一种新型的交通控制体系方法，通过利用大型语言模子（LLMs）作为交通控制器。该研究利用它们的逻辑推理、场景明确和决议本领，及时优化通行本领并提供基于交通状态的反馈。LLMs将传统的分散式交通控制过程会集化，并可以大概集成来自差别泉源的交通数据以提供情境感知决议。
LLMs可以通过无线信号和视觉等多种方式向驾驶员、底子办法和自动驾驶车辆提供定制的输出。为了评估LLMs作为交通控制器的性能，本研究提出了一种四阶段方法。该方法包罗数据创建和环境初始化、 Prompt 工程、辩论辨认和微调。作者模仿了多车道四腿交错口场景，并天生了详细的 datasets，以使辩论检测利用 LLMs 和 Python 模仿作为 GT 环境。
作者利用连贯性 Prompt 来引导 LLMs 明确上下文，检测辩论，利用交通规则办理辩论，并交付情境敏感的交通管明确决方案。作者评估了 GPT-mini、Gemini 和 Llama 作为交通控制器。结果表明，微调的 GPT-mini 实现了 83% 的精确率，F1 得分为 0.84。
GPT-mini 模子在天生可操纵的交通管理洞察方面体现精彩，辩论辨认的 ROUGE-L 得分到达了 0.95，决议到达了 0.91，优先级分配到达了 0.94，等待时间优化到达了 0.92。本研究证实了 LLMs 在现实应用中的交通控制器上风。作者证实了 LLMs 可以及时向驾驶员提供准确发起，包罗根据车辆动力学让行、减速或停车。本研究展示了 LLMs 在交错口交通控制方面的厘革潜力，进步了交错口服从和安全性。
都会交错口, 交通控制体系, 大型语言模子(LLMs), 逻辑推理。
都会交错口是都会交通的紧张节点,必要有效的交通控制体系来包管交通流通和安全。大型语言模子(LLMs)在交通控制体系中的应用也越来越广泛,可以用于交通讯号控制、交通流猜测和交通优化等方面。别的,逻辑推理在交通控制体系中的作用也越来越紧张,可以用于交通规则的订定和交通运动的猜测等方面。
项目先容：https://zenodo.org/records/14171746
Introduction

交通控制体系对于维持都会交通网络的安全和服从至关紧张，此中混淆了车辆、行人和公共交通车辆在交错口和其他辩论点处交汇。通过管理交通流量，这些体系旨在淘汰拥堵、防止碰撞、最小化延误，以确保全部门路用户得到更顺畅、更安全、更环保的体验。在都会地区，有效的及时交通控制尤为紧张，由于麋集的生齿环境和高度的 Stream 性需求假如没有得到妥善管理，大概会敏捷导致拥堵、污染和安全关键事故。交通讯号、标识和智能交通体系构成了这个控制体系的焦点，它们根据预定的算法、传感器输入和汗青数据来引导交通流，以优化交错口的利用，并进步其服从。
然而，今世都会交通控制体系面临着巨大的寻衅，由于都会交通模式日益复杂和动态性 [8, 9]。传统体系通常难以顺应交通状态的及时厘革，比方车辆数目的突然增长，交通工具的多样化，以及行人和驾驶员运动的不可猜测，尤其是在行人、自行车和车辆混行的场景中 。别的，同时优化多个目标，如安全性、运营服从和环境影响，对很多传统交通控制体系提出了更大的寻衅，这些体系通常缺乏平衡这些目标的本领 [14]，[15]，[16]。因此，迫切必要更先辈、机动温和应性强的交通控制体系，可以大概动态相应及时数据，并通过团体方法管理交通流量。大型语言模子（LLMs）有潜力改变交通控制体系，由于它们已经打仗到大量数据，答应它们进步逻辑推理、场景明确和决议过程的性能 。
在交通管理配景下，LLMs 可以大概高效处理处罚数据并天生符合情境的相应和猜测。从前的研究表明 LLMs 在交通讯号管理方面的有效性，包罗 LLMLight 和 TrafficGPT [23, 24]。然而，在文献中关于将 LLMs 作为交通控制器的研究仍然缺失 [4]。
本文的贡献如下：
提出一种新奇的范式，此中LLM作为动态交通控制器发挥作用，利用其逻辑推理、场景明确和决议本领。
出现一个基于LLM的4D框架，用于交通控制体系，该框架将传统上由断开组件管理的交通控制过程举行会集。
提出一个四阶段的流程，将LLMs集成到交通控制中，包罗数据创建和初始化，利用头脑链法天生 Prompt ，辩论辨认息争决，以及微调和性能分析。
评估LLM模子性能的指标，如精确性、准确度、召回率、F1分数和ROUGE-L。它将GPT-mini模子确定为辩论检测和交通管理使命中最有效的模子。
LLMs as Traffic Control Systems: A New Paradigm

本研究提出了一种新型的交通控制体系，该体系利用LLM（语言模子）作为交通控制器，可以作为当前信号化交错口体系的现实和高效替换方案。LLM在多个应用中表现出其高级逻辑推理和决议本领，具有巨大的潜力[21, 26, 27, 28, 29]。本研究以为，LLM为交通控制提供了一种厘革性的方法，它们固有的机动性温和应性可以动态地相应厘革的交通条件，而差别于传统的固定或顺应性控制体系[9, 30, 31]。通过在交通管理中摆设LLM，交错口可以受益于更顺应、更具上下文 Aware 的决议，以办理及时交通流量和多样化混淆交通范例（车辆、行人、自行车和公共交通）以及提供定制化模块反馈给驾驶员，且耽误最小[32]。用LLM底子的控制器更换（或增强）现有体系，可以带来多个上风，包罗优化交通通行本领、增强对交通需求颠簸的相应、淘汰拥堵和等待时间[33]。这种由LLM驱动的控制可以显着淘汰环境影响，通过优化燃油斲丧和最小化怠速时间，这大概有助于提供环保和可一连的都会移动办理方案。
LLMs也大概为交通管理中的多目标优化使命提供独特的处理处罚本领。LLMs可以同时处理处罚和优先多个目标，如安全、运营服从和燃油斲丧[34, 35]。这种机动性使得LLMs可以大概平衡速率、时间和流量等因素与环保因素。利用预练习的知识和及时数据处理处罚，LLMs可以调解信号定时或向驾驶员提供直接指令，以低沉排放和燃油斲丧，同时保持安全并淘汰运营延误。别的，LLMs的顺应性使得它们可以大概根据汗青和及时数据演变和优化其决议，从而使其可以大概学习最优交通模式并调解参数以最大化团体交错口性能[9, 30]。
就此而言，接纳LLM作为交通控制器引入了一种新范式，扩展并增强了传统界说和特性。交通控制体系通常界说为管理运输体系用户，以确保无辩论的移动[8, 36]。传统上，交错口交通控制涉及各种装备，包罗信号、标志和路面 Token ，这些装备可以手动操纵或基于规则的算法[37]。然而，LLM答应接纳更集成和中心化的方法，可以组合控制组件。它们处理处罚息争释大量差别范例数据的本领，使它们可以大概为人类驾驶员、底子办法和自动驾驶车辆提供针对性的引导[38, 39, 40]。这可以顺应各种交错口筹划，包罗四路交错口、环形交错口、 interchange 以及新兴都会交错口模子。别的，LLM可以通过语音、信号、代码、视觉或通过车辆与底子办法（V2I）和车辆与车辆（V2V）技能无线通讯来转达指令，这可以增强现有的控制框架。
这项研究将LLM视为一个交通控制器，通过概念上的“4D交通控制体系”（即检测、决议、传播、摆设，如图1[8, 37, 43]所示）来实现。LLM可以会集和整合检测和应对各种交通状态的断开过程，如图1（a）所示的传统交通控制器体系。作者以为，LLM可以同时利用多种检测技能的数据，如环形检测器、GPS、视频成像和DSRC，处理处罚个体和群体的轨迹，从而全面明确都会交错口的门路流量[34]。这种检测信息将影响其决议过程，使LLM可以大概根据及时和猜测分析公道地推理“那里”、“何时”、“谁”和“怎样”来控制交通。别的，“决议”阶段中多个目标的整合，从安全到运营服从和节能，确保LLM与交通管理中的特定关键目标保持划一。

在“传播”和“摆设”阶段，LLMs具有展示更多机动性的潜力。LLMs可以通过多种通讯渠道和包罗语音、视觉信号、无线信号、代码或DSRC的差别方式与人类、呆板和其他门路底子办法举行交互。LLMs还可以提供及时有效的控制输出，这些输出可以是二进制的（克制/进步）或非二进制的（通过逻辑和可操纵指令调解速率或路径），从而实现对驾驶员的定制相应，进步服从交通规则的大概性并低沉复杂交通条件下的风险[26], [28], [38]。
Background

LLMs有大概实现更机动、更顺应的智能交通控制体系，同时可以大概为驾驶员、交通工程师和政策订定者提供可操纵的反馈。
以往的研究提出了利用LLMs和物联网（IoT）技能整合门路交通管理的办理方案[31, 33, 44]。提出了差别办理方案，如路由机制、智能交通灯办理方案或网络交通管理战略，从而举行分类[31, 33, 44]。关于呆板和深度学习在交通管理方面的研究已经举行观察，以展示这些技能的上风和劣势[45]。其他观察夸大了未来的研究方向，并显现了呆板学习和深度学习怎样有助于办理交通管理标题[46]。
利用迩来的AI工作，将LLM用于交通猜测，涉及将序列和图嵌入层集成到模子中，以得到与LLM输入格式兼容的特性，然后利用高效的微调技能[23]。实行表明，这些框架在汗青样本巨细和少样本猜测性能方面取得了显着结果[23]。创新地将多个LLM和交通底子模子相联合可以成为利用具有恰当感知、分析和操纵运输数据本领的LLM的吸引人的方法[24]。别的，其他研究提出了一种多使命决议体系，用于自动驾驶[47]，该体系利用强化学习和LLM序列建模在复杂的设置[48]，比方失控的交错口[49]，中有效地实行。别的，已经证实，利用来自多个传感器的LLM，此中包罗摄像头和激光雷达，可以增强全面交通观察中运输场景的主题感知[25]。在先辈互联和自动驾驶的配景下，包罗LLM也有助于进步交通管理的结果[50]。
别的，LLMs在交通管理中能以最小的人力投入开发安全案例的本领，表明并确保了合规性和安全性[51]。基于LLMs提升交通功能猜测本领的新奇厘革方法，为先辈交通体系的提升提供了新的途径[52]。
Methodology

如图2所示，将LLMs引入交通控制体系并及时评估其性能的详细框架包罗四个关键阶段：数据创建与初始化、 Prompt 天生、辩论辨认以及微调和模子分析。

Dataset Creation and Initialization

该框架从创建数据集和初始化环境开始，此中表明了LLM包罗车道、进入和脱离点以及每辆车的初始参数，如速率、初始车道、方向和目标地通过交错口。为覆盖真实都会环境中交错口场景，作者开发了一个基于理性头脑、盘算方法和交通法规的体系。接下来一节形貌了为这些场景天生和天生现实数据集的过程。该过程如图3所示，概述了场景预备和数据网络的工作流程。

起首，交错口结构被剖析，以获取关于单个车道和大概的目标地的信息。通过将结构存储为结构化的JSON格式，使得车辆运动分析更加遍及和便利。剖析有助于明确交错口是怎样摆设的，这在确定车辆将通过的位置以及大概发生事故的位置时至关紧张。作者假设最初的测试将在一个多车道四足都会交错口举行，如图4所示，该交错口可以使车辆向差别方向行驶。每个腿都有效于特定目标的车道，包罗只能向前行驶和向左或右转弯。这使得通过特定车道克制左转和右转辩论的交通流量得以在’交错’部门通行。

表格1表现了用于界说环境的差别属性。车辆类中的每个实例代表一辆驶向交错口的车辆。车辆类中的方法用于验证输入、盘算时间和确定运动。输入验证负责查抄全部车辆数据属性的精确性，包罗非负速率、间隔大于零和有效方向。时间盘算方法旨在确定在思量了车辆当前行驶速率以及间隔交错口另有多远的环境下，这辆车还必要多长时间才气到达交错口。因此，运动确定在此处将车辆的运动提前分类为某些范例，如交错口、车道和目标地等。
车辆通过读取车辆的JSON场景数据并为其创建一个目标来剖析。为了克制重复车辆ID，体系在确保全部哀求的信息精确的同时举行确认。这使得原始场景数据酿成了可以举行进一步分析的有构造的目标。
Prompt Design

为了精确地导航框架并利用LLM功能，作者创建了利用思绪链法的方法。这使得LLM可以大概举行情境分析，辨认大概的辩论并提供发起。这些 Prompt 的构造包罗了关于交通环境、车辆状态和埋伏辩论的详细信息，以便LLM可以大概针对案例做出决议。表2分析了应用的一个示例 Prompt 。这个 Prompt 使得LLM可以大概获取关于交通的配景信息，并给出最佳管理交错口的详细位置引导。
Conflict Detection

创建车辆场景必要细致思量辩论检测，这涉及多个一连步调。起首，体系分析特定范例的运动是否大概使车辆在门路上交错。比方，相反方向行驶而不转弯的车辆大概根本不会交错对方的门路。然后，它评估是否有任何车辆大概在短时间内抵达交错口，大概创建埋伏的辩论。
您是一个四岔路口交通辩论检测器，负责监控来自北、东、南、西四个方向的交通。每个方向有两个车道引导车辆到差别的目标地：

• 北：车道1引导车辆到F和H，车道2引导车辆到E、D和C。
  
• 东：车道3通向H和B，车道4通向G、E和F。
  
• 南：车道5引导车辆到B和D，车道6引导车辆到A、G和H。
  
• 西：车道7引导车辆到D和F，车道8引导车辆到B、C和A。
  

分析全部方向和车道的交通数据，并确定交错口上是否存在车辆辩论。仅输出辩论检测结果为“Yes”或“No”。
输出：

• 假如存在辩论，请提供以下陈诉结构：辩论状态：分析是否检测到辩论（比方，“辩论检测到。”）。辩论概述：提及辩论的数目和涉及的车辆（比方，“辩论数目：1。涉及的车辆：车辆V1234和车辆V5678。”）。举措与决议：总结任何关键决议或接纳的举措（比方，“决议：车辆V5678必须让行车辆V1234。”）。优先级分配：列出车辆及其分配的优先级（比方，“车辆V1234：优先级1，车辆V5678：优先级2。”）。车辆等待时间：提供每辆车的等待时间（比方，“车辆V1234：5秒，车辆V5678：10秒。”）。
  

在存在辩论的环境下，输特殊式必须完全依照上述结构。
表格2：一个已利用的 Prompt 示例。
为了处理处罚这些辨认出的辩论，体系应用了交通优先级规则来确定车辆是否应该让行。在开发这些规则时，会思量运动范例（左转、直行或右转）和诸如到达时间及相对位置等因素。体系还盘算了较低优先级车辆在交错口等待的时间，如图4所示，此中捕捉了辩论和优先级决定，包罗移动前的等待时间。
该过程从体系初始化开始，此中交错口结构数据——对于明确大概运动至关紧张——被读取并构造。然后，天生一个包罗各种范例车辆的随机车辆场景，并为每辆车辆创建一个车辆目标。预界说的交通规则辨认辩论并指定哪些车辆应该让路，但LLM逾越了简朴的规则应用。在评估初始条件后，LLM及时检察每个检测到的辩论，并提供上下文表明。它思量了车辆位置、速率和猜测到达时间等因素，以发起接纳详细举措。通过在让路决议和速率调解方面提供上下文感知驾驶员引导，LLM增强了基于规则的体系，使其交互更具顺应性和人性化。在无辩论的环境下，生存场景数据以完备出现，并为人类明确天生文本形貌。该过程在全部步调完成后继续举行，为让路车辆和辩论、决议以及等待时间确定等待时间。
该体系还利用尺度的门路交通优先规则来确定 conflicting 车辆之间的优先权。筹划直行的车辆通常优先于筹划转弯的车辆。比方，假如一辆车要左转，它必须比及全部右转的车辆都通过了路口。假如两辆车同时到达，没有明确的优先级，那么右侧车辆优先。这些规则对于根据平凡交通法规办理辩论至关紧张。
以下是我对您提供的英文AI学术论文的翻译：
以一个场景为例，假设有四辆汽车正在驶向一个交错口。汽车V217从北部车道2以40公里/小时的速率驶来，间隔交错口80米，朝向目标地E。汽车V218从东部车道4以40公里/小时的速率驶来，间隔交错口80米，朝向目标地G。汽车V219从南部车道6以40公里/小时的速率驶来，间隔交错口80米，朝向目标地A。末了，汽车V220从西部车道8以40公里/小时的速率驶来，间隔交错口80米，朝向目标地C。在这个场景中，体系为V217、V218、V219和V220创建了车辆目标，盘算每辆车辆到达交错口的时间。根据车道和目标地，体系确定全部车辆都大概举行左转，导致它们同时靠近时大概出现埋伏辩论。根据交通规则，体系决定哪些车辆必须让路。比方，假如V218来自右侧，那么V217大概会让路给V218。为每个让路的车辆盘算等待时间，并记载和形貌辩论数据，包罗决议和等待时间，以便人类明确。
然而，为了使场景更具可表明性，作者利用了一种体系将其转换为人类可读的文本形貌。该体系吸收场景数据，并提取出每辆车的关键细节。对于每辆车，表明都指定了车道、目标地点、速率、与交错口或穿越路径的间隔以及靠近方向。然后将这些形貌汇总为一个连贯的团体，概述了整个场景发生的环境。
Model Selection and Fine-Tuning

作者在三个差别的模子上测试了作者的新范式（即，将LLM作为交通控制器）包罗GPT-mini，Gemini和Llama。这些模子被选择，由于它们可以大概办理自然语言标题，而且有大概在不绝厘革的环境中及时明确交通环境。作者利用两种学习方法举行了测试，包罗零样本学习和微调。这使作者可以大概分析它们在各种使命中的有效性。
GPT-模子迷你版已经举行了缩减，以便在处理处罚速率上凌驾较大的模子，并在三个数据集上举行了微调。第一个数据集是一个四辆车的数据集，而第二个数据集包罗了八辆车的数据，比方每个场景中范围在2到8辆汽车之间的混淆数据。这个混淆数据集是根据一个假设创建的，即性能会在各种交通复杂度下得到提升。
对于微调后的模子，利用练习和验证数据集来调解模子以顺应特定的辩论检测使命。另一方面，零样本模子没有针对特定使命举行微调，而是在测试数据集上直接举行评估。这种方法测试了模子在没有专用练习的环境下对新使命举行泛化的本领，从而提供了关于其在都会交通控制体系中的底子知识的洞察。
作者研究了这些模子在微调和零样本设置下的性能。作者的目标是确定LLM怎样有效地顺应现实天下的交通管理使命。因此，作者对每个LLM模子举行了分析，利用诸如精确率、准确度、召回率和F1分数中分类指标，以及通过ROUGE-L分数丈量其天生交通场景详细分析的本领。作者利用基于Python的模仿模子测试了LLM的输出。
Analysis and Results

Logical Reasoning Results

在本节中，作者提出了利用LLM辨认交错口场景中的辩论结果。详细而言，作者在微调的GPT-mini、Gemini和Llama以及零样本条件下评估了这些模子在差别交通状态下的泛化本领。必要留意的是，这些数据集被筹划为包罗差别数目的车来评估这些模子在差别交通条件下的泛化本领。
根据参加车辆的数目，数据集举行了分别。4辆车数据集涉及仅在门路交错口有4辆车的场景，而8辆车数据集则全部是8辆汽车在类似位置。作者还利用了一个混淆车辆数据集，此中输入到LLM的车辆场景数目在2到8辆之间，统共分为3组，每组10,000个场景，包罗7,000个用于练习，2,000个用于测试，1,000个用于验证。仅利用测试数据集举行零样本评估。测试数据集用于评估微调模子的性能，练习和验证则用于微调。表4总结了LLM在界说交错口检测辩论方面的性能。

微调的GPT-mini模子在混淆车辆场景下实现了83%的最高精确率，表明其在具有差别车辆数目场景上的泛化本领精良。在多样化的数据集上举行微调大概有助于其体现出强大的鲁棒性。0.85的高召回率表明该模子能有效辨认现实辩论场景，这在应用场景中忽视辩论大概带来严肃结果时至关紧张。GPT-mini 4车辆微调模子体现精良，精确率为81%。这表明纵然练习于具有固定车辆数目的场景，模子仍可实现高性能，只管略低于混淆数据集对应模子。与混淆模子相比，精确性低沉大概是由于过拟合于仅包罗四辆车的场景，限定了其泛化到更多样化环境的本领。GPT-mini 8车辆微调模子的精确性降至71%，表明具有更高车辆数目的场景更具寻衅性。
额外车辆引入的复杂性大概必要更复杂的建模或更大的数据集来捕捉在这种场景中的交互细节。零样本模子通常比微调后的模子体现不佳。混淆GPT-mini零样本模子到达了61.9%的精确率，突显了微调对专业使命的紧张性。没有针对特定使命举行练习，模子很难捕捉到交错口场景中的辩论检测的复杂性。Gemini模子在微调和零样本设置中的体现都相对较低。此中，Gemini 1.5零样本混淆模子在微调后到达了61.4%的最高精确率。这表明Gemini架构大概不恰当这个分类使命，大概与GPT-mini模子相比，微调过程结果较差。Meta-Llama模子，特殊是Meta-Llama-3.1-70B在4辆车辆上举行微调的模子，通过微调实现了中等改进，到达了平衡的F1得分0.51和51.5%的精确率。然而，由于缺乏对复杂交通辩论检测的优化，它们仍然落伍于GPT-mini模子。这一比力夸大了微调在多样化数据集上的有效性，并突显了GPT-mini架构在复杂交通场景中的实用性，如图6所示。

为了明确微调的GPT-mini模子的性能，作者对最佳性能的模子举行了肴杂矩阵分析。图7出现了差别场景下GPT-mini模子的肴杂矩阵。三款微调后的混淆车辆GPT-mini模子在三种模子中体现最好，具有更多的真阳性（820）和真阴性（849），以及更少的假阴性（180）和假阳性（151）。这表明该模子在精确辨认辩论和非辩论场景方面非常善于。将4辆车的微调GPT-mini模子与混淆模子举行比力，作者观察到真阳性（797）和真阴性（830）略有低沉，而假阴性（203）和假阳性（170）有所增长。这表明仅针对四辆车举行练习的模子大概不如混淆模子有效，导致误分类率较高。8辆车的GPT-mini模子在混淆和4辆车的模子中的性能降落，假阴性（324）和假阳性（255）的数目增长。这增强了之前观察到的征象，即具有更多车辆的场景增长了复杂性，寻衅了模子精确分类辩论场景的本领。

Decision-Making and Feedback Results

在本节中，作者对在4辆车辆和混淆车辆场景下，驾驶员所吸收到的微调GPT-mini模子提供的决议和反馈举行了测试。评估接纳基于四项丈量的ROUGE-L分数，包罗辨认辩论、决议、优先级分配和等待时间。利用Python模仿找到真实值，并由交通工程专家举行验证。起首，辨认辩论涉及检测车辆路径大概相交的埋伏点，或其到达时间大概导致交错口碰撞风险。其次，决议指的是在辩论场景中为每辆车确定举措，比方，一辆车是否应该让行、进步或调解速率以克制碰撞。第三，优先级分配涉及根据交通规则为车辆分配路权，比方，给直行车辆优先权，或应用右侧通行原则。末了，等待时间权衡车辆在辩论环境下必须在交错口等待的时间，通常由于路权较低或让行要求。
如图8所示，各种场景下的ROUGE-L分数。在4辆车的场景中，微调的GPT-mini模子在全部组件上都得到了较高的ROUGE-L分数，辩论概述部门得分0.95。这表明该模子可以精确、连贯地总结辩论在更简朴的场景中。决议部门得分为0.91，展示了模子根据交通规则表明息争释所做决议的本领。优先级分配（0.94）和车辆等待时间（0.92）的较高分数进一步展示了模子在分配优先级和盘算车辆等待时间方面的熟练程度。对于混淆车辆场景，ROUGE分数稍低但仍然强大。辩论概述部门得分为0.84，决议部门得分为0.81。这些结果表明，随着场景的复杂性增长，车辆数目的厘革，模子在精确总结辩论方面面临更多寻衅。然而，模子仍保持令人满意的体现，表明其处理处罚复杂场景的有效性。优先级分配（0.87）和车辆等待时间（0.86）的得分分别反映了模子在更复杂的场景中应用交通规则和盘算须要耽误的本领。决议部门在两种场景范例中始终保持较高分数，夸大了模子对交通规则的深入明确及其在差别环境下的应用本领。混淆车辆场景的得分略有降落，这突显了复杂性的增长，但也表明模子顺应得相当好。这些结果表明，微调的GPT-mini模子不但在二分类辩论场景方面体现精彩，而且还能天生详细、连贯的分析。纵然在复杂场景中，模子在关键组件上的高绩效也为其在必要详细表明的现实应用中提供了有远景的包管。

关键组件的高ROUGE分数表明，该模子可以通过提供精确的辩论检测和可行决议，有效地支持交通管理使命。在现实应用中，这些本领可以通过使交错口实现自动防备事故和淘汰拥堵，从而进步交通流量的服从和安全。
ROUGE-L 分数对比：微调的 GPT-mini-4o 微调的 GPT 模子在表5 中的输出展示了其辨认埋伏辩论并针对靠近交错口的车提供准确发起的本领。在检测到辩论的场景中，如车辆 V4625 和 V1909 之间或车辆 V7019 和 V5264 之间，模子根据车辆的间隔、速率和预期路径提出现实可行的步伐，如让行或减速，以优先思量安全并只管淘汰碰撞风险。比方，模子发起车辆 V1909 让行车辆 V4625，由于后者在间隔上具有上风，同时发起车辆 V7019 让行车辆 V5264，以克制交错口拥堵。相反，模子发起全部车辆在没有调解的环境下继续行驶，精确地辨认出安全的环境。这种方法实用于更复杂的场景，如北行和西行车辆 V9867 和 V6070 之间的辩论，模子提出 V9867 稍微让行以确保安全通行，这展示了其对互助交通流的过细明确。将辩论检测与定制、及时引导相联合，模子展示了交错口管理的结构化和相应式框架，支持多车辆环境中的自动化安全与服从。
Conclusion

本研究提出了一种新的交通控制体系范式，将LLM（语言模子）作为动态交通控制器。利用其逻辑推理、场景明确及决议本领，LLM可以大概顺应及时交通状态，在思量安全、淘汰拥堵和环境影响的同时优化通行本领。通过4D交通控制体系框架（即检测、决议、传播和摆设），LLM将传统由相互独立的组件管理的过程举行会集处理处罚。LLM整合了多种数据泉源（如环形检测器、GPS、视频成像等），以做出情境感知决议，并通过各种模块通过差别的通讯渠道（如语音、无线信号、代码和图像等）为驾驶员、底子办法和自动驾驶车辆提供定制的控制输出和反馈。LLM可以大概处理处罚多目标优化函数，从而改变都会出行方式。作者在这项研究中以为，由于LLM在通讯方面的顺应性、与人类的交互以及与呆板的接口，这大概确保在复杂交通场景中服从和安全性。
作者提出了一种将LLM集成并评估为及时交通控制体系控制器的 methodology，该方法包罗四个关键阶段：数据创建和初始化、 Prompt 天生、辩论辨认和模子分析微调。起首，作者提出了一种体系，该体系天生了反映真实天下多车道四腿都会交错口场景的数据集。作者还剖析了每个车辆的详细交错口结构、车道设置和车辆属性，如速率、方向和目标地。这些数据集构造为车辆目标，以便举行场景模仿和辩论检测以找到真实值。利用一连头脑方法筹划的 Prompt 引导LLM分析交错口条件，检测埋伏辩论，并发起基于优先级的交通决议。辩论办理包罗传统的交通规则，如右侧通行规则和让路优先级。这些辩论办理方案通过LLM对车辆位置、速率和到达时间的上下文感知分析举行增强。这种多阶段方法不但进步了辩论检测，还提供了与现实规定相顺应的顺应性、上下文敏感的交通管明确决方案。作者测试了三种差别的LLM模子，包罗GPT-mini、Gemini和Llama。作者利用精确性、准确度、召回率、F1得分和ROUGE-L来评估结果。
研究结果表现，LLM（特殊是颠末微调的GPT-mini模子）在交通 intersection 场景中具有显着的高辨认辩论和支持决议的本领。值得留意的是，Gemini和Llama模子通过微调也表现出改进的潜力，但它们的性能仍低于GPT-mini模子。这大概是由于架构限定或针对此特定使命的优化结果不佳。然而，颠末微调的GPT-mini在混淆车辆场景中实现了约83%的高精确率和0.84的F1得分，反映了其在差别交通条件下的泛化本领。这一性能得到了约0.85和0.83的高召回率和准确率的支持，分别表明LLM在检测现实辩论方面的可靠性，这是及时交错口控制应用中至关紧张的一个方面。
研究结果还表明，颠末微调的GPT-mini模子在天生详细、可操纵的决议和交通管理洞察方面体现精彩。在交通专家的资助下，LLM模子在四个关键组件上实现了较高的ROUGE-L分数，包罗辩论辨认约为0.95，决议约为0.91，优先级分配约为0.94，等待时间约为0.92。这些结果表明，LLM可以在思量车辆的速率、间隔和路径以及其他车辆靠近交错口的环境下，根据车辆的现实环境提供划一、准确的发起，如减速、停车或让行。
本研究的结果展示了LLMs的潜力和改变交通控制体系的本领。它可以在交错口进步交通流服从和安全。它处理处罚简朴和复杂场景的本领使其成为及时交通管理体系中实现实时交通管理和向驾驶员、底子办法和自动驾驶车辆提供反馈的有前程的工具。然而，未来的工作将专注于在高度麋集的交通场景中进一步进步性能，并将模子集成到及时交通管理应用步伐中。
​
怎样学习AI大模子？

作为一名热心肠的互联网老兵，我决定把名贵的AI知识分享给各人。 至于能学习到多少就看你的学习毅力和本领了 。我已将紧张的AI大模子资料包罗AI大模子入门学习头脑导图、佳构AI大模子学习册本手册、视频教程、实战学习等录播视频免费分享出来。

一、全套AGI大模子学习蹊径

AI大模子期间的学习之旅：从底子到前沿，把握人工智能的焦点技能！

二、640套AI大模子陈诉合集

这套包罗640份陈诉的合集，涵盖了AI大模子的理论研究、技能实现、行业应用等多个方面。无论您是科研职员、工程师，还是对AI大模子感爱好的爱好者，这套陈诉合集都将为您提供名贵的信息和启示。

三、AI大模子经典PDF籍

随着人工智能技能的飞速发展，AI大模子已经成为了当今科技范畴的一大热门。这些大型预练习模子，如GPT-3、BERT、XLNet等，以其强大的语言明确和天生本领，正在改变我们对人工智能的熟悉。 那以下这些PDF籍就黑白常不错的学习资源。

四、AI大模子商业化落地方案

作为平凡人，入局大模子期间必要一连学习和实践，不绝进步本身的技能和认知程度，同时也必要有责任感和伦理意识，为人工智能的康健发展贡献气力。