💡这项突破是什么?
近日，信息学院（人工智能学院）教师霍光煜、崔晓晖教授在非常态交通流预测方面取得研究进展，研究成果以“Emergency Events Traffic Flow Forecasting Using Text-Prompt-Guided Multimodal Large Language Models”为题，在智能交通领域顶刊《IEEE Transactions on Intelligent Transportation Systems》（IF=8.4，智能交通领域顶刊）发表。
随着智慧城市建设的深入推进，交通流预测作为城市交通智能管控、应急处置的核心技术支撑，正从传统的单源时空数据建模，向多模态数据融合的方向快速发展，其中突发应急事件下的交通态势预判，更是保障城市路网运行效率、公众出行安全的关键刚需。但当前主流技术仍存在明显短板：传统预测模型高度依赖历史交通数据的周期性规律，无法应对交通事故、自然灾害等突发事件带来的非周期性、突发性交通波动；而现有融合社交媒体、事件通报等文本信息的方案，普遍仅将文本作为静态辅助特征，未能实现事件语义上下文与交通时空动态特征的深度对齐，同时难以捕捉无空间连通性但交通趋势高度相关的路段间的依赖关系，导致突发场景下的长周期预测精度不足，成为制约城市交通应急管理能力提升的核心瓶颈。针对这一行业痛点，相关研究团队创新性提出了文本提示引导的多模态大语言模型TPGM-LLM，该模型以预训练大语言模型为核心底座，将应急事件的文本描述编码为语义引导提示，搭配可捕捉非局部路段关联的动态时空超图模块，通过分层多模态融合架构，实现了事件语义、交通时空特征的深度联动，可精准完成应急场景下的长周期交通流预测，为突发交通态势的预判提供了全新的技术方案（见图1）。
图1 TPGM-LLM框架
相较于现有技术，TPGM-LLM的核心创新突破集中在三个维度：一是首创了文本提示引导的跨模态融合范式，打破了传统方案将文本作为附加特征的浅层融合模式，以事件语义作为预测引导信号，实现了文本语义与交通时空特征的深度对齐，让模型可快速感知突发事件的影响逻辑；二是设计了基于FastDTW的动态时空超图模块，突破了传统路网建模仅能捕捉相邻路段空间关联的固有局限，可精准识别全域路网中交通趋势高度相关的非局部路段依赖；三是采用部分冻结的Transformer分层建模架构，在保留大模型预训练通用语义能力的同时，高效适配交通领域的时空特征学习，有效解决了突发场景下长周期预测精度衰减的行业难题。在国内首个大规模公开文本-交通数据集北京文本交通数据集的实测验证中，TPGM-LLM的预测性能全面超越现有主流方法，在应急场景下的预测精度、长时序预测稳定性均实现了显著提升。同时，项目已将全部代码开源，为行业相关技术的研发与复用提供了完整的参考方案。
第一作者为硕士研究生卢雅轩，通讯作者为青年教师霍光煜，第一署名单位为北京林业大学。
该研究获得了国家自然科学基金青年项目（青C）“数据-知识双驱动的非常态交通态势分析方法研究”（62402046）的支持。
