城市多模式交通大模型MT-GPT:点线面的分层技术与应用场景

城市多模式交通系统是一个高度复杂而多元的交通网络,旨在有效地满足城市内人员、货物和服务的流动需求。多模式交通系统复杂性源于许多因素,包括不同交通模式间的耦合性,交通需求和供应之间复杂的相互作用,以及开放、异质和自适应交通系统的固有随机特性。因此,理解和管理这样一个复杂系统是一个非常复杂且困难的任务。随着交通以及其他领域多源大数据可获取性的增加,计算机硬件算力的增强,以及机器学习模型的飞速发展,大模型的概念被许多领域应用与实践,包括计算机视觉、自然语言处理等。将大模型的概念应用于交通领域,提出了一种根据交通拓扑结构分层“点线面”的多模式交通大模型框架(Multimodal Transportation Generative Pre-trained Transformer, MT-GPT),旨在为复杂多模式交通系统中的多方位决策任务提供数据驱动的大模型。考虑到不同交通模式的特征,探讨了实现这一概念框架的核心技术及其整合方式,构思了适配交通的大模型数据范式与改进的分层多任务学习、分层联邦学习、分层迁移学习与分层Transformer框架。最后,通过搭建“任务岛”与“耦合桥”的框架讨论了这样一...     

飞行汽车如何开启低空智能交通时代——从交通技术谈起

<正>相关数据显示,目前全球有55%的人口居住在城市地区,到2050年这一比例预计达到70%。城镇化的快速发展带动了社会经济的高速增长,但也引发了诸多城市社会问题,如交通拥堵、空气污染等。随着我国城市的快速发展,城市规模急剧扩张,居民的通勤时间不断延长。根据《2021年中国主要城市通勤监测报告》,2020年中国主要城市总体极端通勤比重为12%,超过千万人需忍受60分钟以上的通勤时间,在北京市,这一比例更是高达26%。造成这一现象的原因在于现有交通系统仅停留在二维阶段,交通设施不能无限增长,难以从根本上解决城市的交通拥堵问题。