生成式AI如何用于交通？清华最新《生成式智能交通》综述，详述生成式AI在交通感知、交通预测、交通仿真和交通决策制定的作用...

来源：专知

生成式AI如何用于交通？

智能交通系统在现代交通管理和优化中发挥着至关重要的作用，大大提高了交通效率和安全性。随着在图像生成和自然语言处理领域的生成型人工智能（Generative AI）技术的迅速发展，生成型AI也在解决智能交通系统中的关键问题，如数据稀疏性、观察异常场景的困难，以及在建模数据不确定性方面发挥了至关重要的作用。在这篇综述中，我们系统地研究了有关生成式AI技术在解决智能交通系统不同类型任务中关键问题的相关文献。首先，我们介绍了不同生成型AI技术的原理及其潜在应用。然后，我们将智能交通系统中的任务分类为四种类型：。我们系统地阐述了生成型AI技术如何解决这四种不同类型任务中的关键问题。最后，我们总结了在将生成型AI应用于智能交通系统中所面临的挑战，并基于不同应用场景讨论了未来的研究方向。

https://www.zhuanzhi.ai/paper/da593f193bf24914608bf7e733b601db

交通系统包括一系列交通基础设施、设备和管理策略，包括道路、交通控制和交通规划，旨在管理交通流量并满足人们的出行需求。其效率显著影响社会和经济活动。快速的城市化导致车辆数量急剧增加，导致拥堵和事故等普遍问题。这些挑战给旅行者带来不便，并扰乱城市运营，强调了交通管理和优化的紧迫性。近年来，计算机技术的快速进步催生了智能交通系统（ITS）。ITS利用尖端技术，如人工智能、大数据分析和物联网，创建一个集人、路和车辆于一体的综合系统。其目标包括减少拥堵、提高安全性、节约能源、降低碳排放，并支持自动驾驶技术。

实现ITS的一个基本组成部分是有效利用交通数据。对于交通当局，他们通过传感器、摄像机和各种设备收集的实时数据受益，使他们能够监控和管理道路状况。此外，分析历史交通数据对于预测未来交通流量和拥堵情况很有帮助。对于旅行者，他们通过导航应用和交通管理系统受益于实时交通数据，这些系统提供最新的交通信息，以协助选择路线和避免拥堵。此外，自动驾驶车辆在很大程度上依赖于大量传感器和数据来感知周围环境，做出安全高效驾驶的有效决策。这些方面表明了交通数据在智能交通系统中的重要性。

在这种背景下，传统深度学习方法由于其在交通数据分析和建模中的高效应用而被广泛采用。这些算法可以处理大量交通数据，自动识别模式，预测趋势，并优化决策，从而提高交通效率和安全性。例如，传统深度学习技术如卷积神经网络（CNN）用于分析交通摄像头图像，进一步识别车辆、行人、交通标志和道路状况，以监控交通流量和状况。递归神经网络（RNN）适合处理序列数据，如交通传感器生成的时间序列数据，并可用于预测交通流量、拥堵和事故可能性。深度强化学习（DRL）方法应用于自动驾驶技术的开发，通过模拟交通环境中智能代理（如自动驾驶车辆）的行为来训练模型做出驾驶决策。这些模型可以实现安全的自动驾驶。通过利用这些深度学习模型，智能交通系统可以更有效地分析道路状况模式，预测潜在拥堵点，并提供适应性决策支持，以优化交通效率。然而，随着交通网络复杂性的增加、各种交通方式的交织以及出行需求的增长，交通环境变得日益复杂。这种复杂性为传统深度学习方法在解决交通相关问题上带来了许多挑战。

• 大量稀疏或低质量数据。交通数据通常稀疏，并经常受到缺失值或噪声污染的影响。传统深度学习方法对数据质量要求高，尤其是典型需要大量标记输入和输出数据进行监督训练的监督学习方法。交通数据的稀缺或缺乏可能显著影响模型性能。

• 罕见异常情况。交通环境具有高度动态性，偶尔会发生交通事故等异常情况，对交通安全构成重大威胁。由于这些异常事件通常是罕见事件，导致训练数据中缺乏相关样本，传统深度学习方法更适合处理正常情况下的任务，并难以有效应对罕见或之前未见过的异常情况。

• 未探索的不确定性建模。在交通领域，许多因素可能导致不确定性。例如，恶劣的天气条件如大雨、雪或雾，以及各种交通参与者行为的不确定性，如变道和紧急刹车，使交通流量预测更具挑战性。传统深度学习方法通常采用确定性方法，依赖于预处理特征，因此难以有效捕捉这种不确定性。

生成式人工智能（Generative AI）技术最近迅速发展。它可以根据用户输入、需求或指示自动生成各种形式的内容，包括但不限于文本、图像、视频、音频等。生成型AI技术的出现使内容生产更加高效便捷，并具有广泛的应用前景。在生成型AI领域，许多成熟技术已被广泛应用。例如，变分自编码器（VAE）[112]是一种可以建模和生成复杂数据的生成对抗网络。生成对抗网络（GAN）[77]通过两个神经网络（即生成器和鉴别器）的对抗过程提高生成内容的质量。规范化流（Normalizing Flow）[195]是一种用于生成复杂数据分布的标准化技术，而基于能量的模型（Energy-Based Model）[120]是一种基于能量的生成模型，可以有效提高生成质量。此外，基于物理过程的生成模型（Generative Model from Physical Process）[153]是一种基于物理过程的生成模型，可用于生成具有物理约束的内容。扩散模型（Diffusion Model）[212]是一种概率方法，通过逐渐向数据添加噪声来降低其质量，从而生成数据。生成预训练变换器（GPT）[71]基于变换器架构[223]，预先训练大量文本数据，然后使用它来生成新的文本内容。

这些生成型AI技术在数据生成、转换和修复方面提供了显著优势，它们能有效地建模数据的不确定性。因此，这些技术在不同领域获得了重大关注。特别是在智能交通领域，生成型AI技术发挥了至关重要的作用，并引入了创新解决方案来解决交通相关挑战[155]。许多研究人员正在积极地应用各种生成型AI技术于交通相关任务。例如，在自动驾驶场景中，生成型AI技术在生成高保真驾驶场景图像和视频方面非常宝贵，这对自动驾驶系统的培训和测试至关重要[115, 118]。利用生成型AI生成的模拟场景，自动驾驶车辆可以在虚拟环境中进行广泛的驾驶模拟，从而提高其在现实世界中做出精确决策的能力。在交通流量预测任务中，生成型AI技术可以学习和建模交通数据的分布，从而生成未来的交通流量数据[236, 265, 272]。这对交通当局进行有效的交通规划和优化非常有帮助。

如表1所示，有许多关于智能交通系统或生成型AI的综述。然而，它们中的大多数很少探讨生成型AI技术在智能交通系统中的实际应用。尽管[143]中的作者们探讨了GANs在智能交通系统中的作用，但他们并未全面涵盖其他生成型AI技术。重要的是，他们没有系统地检验生成型AI技术相对于传统深度学习方法在智能交通系统中的优势。因此，在本文中，我们将探索生成型AI技术在智能交通系统中的交通感知、预测、仿真和决策制定方面的应用，如图1所示。我们的目标是提供对促进智能交通的作用的全面分析，并提供有建设性的见解，帮助读者更深入地理解智能交通系统中生成型AI的挑战和机遇。我们希望这篇综述能为智能交通系统的进一步研究和发展提供有用的见解。

总之，本文的主要贡献如下所示： 

• 据我们所知，我们是第一个为智能交通系统提供生成型AI深入文献综述的。 

• 我们对主流生成型AI技术进行了系统的介绍，从横向和纵向两个角度进行了深入的方法比较，并系统地分析了生成型AI技术如何有效地从交通感知、交通预测、交通仿真和交通决策制定方面解决智能交通系统中的关键问题。

• 我们讨论了在应用生成型AI技术于智能交通系统时遇到的开放性挑战，并探索未来研究的潜在方向。 

本文的结构如下。第2节介绍了主流生成型AI技术及其在不同领域的应用成果，并进行了详细的比较分析。接下来的四个部分分别讨论了生成型AI技术在交通感知、交通预测、交通仿真和交通决策制定中的应用。最后，在第7节中，我们介绍了生成型AI在智能交通系统应用中所面临的挑战，并展望未来研究方向。

生成式AI的技术、应用及优势

随着计算机技术和计算能力的迅速发展，过去十年间生成型AI技术取得了显著进步。Kingma和Welling在2013年率先提出了变分自编码器（VAE），这是一种用于数据生成的概率图模型[112]。2014年，Ian Goodfellow等人设计了生成对抗网络（GANs）[76]，这在生成型AI领域引起了重大变革。2018年，OpenAI提出了生成预训练变换器（GPT），也为该领域带来了重要突破。除了这些方法，诸如规范化流（Normalizing Flow）、基于能量的模型（EBMs）、扩散概率模型（DPMs）和基于物理过程的生成模型（GenPhys）等技术也在文本和图像生成领域展示了巨大潜力。图2描绘了生成型AI技术的演变时间线，包括VAE、GANs、规范化流、EBMs、DPMs、GenPhys和GPT。在本小节中，我们将首先对这些技术进行初步介绍，随后进行比较分析。

生成型AI在交通感知中的应用

交通感知指的是智能交通系统收集和理解交通环境中各种感官信息的能力。这些信息包括来自摄像头的视觉数据、基于GPS设备的轨迹数据、来自加速度计的运动数据、天气和道路条件等环境数据，以及其他交通相关信息，如其他车辆、行人和路标的存在。它在做出有效决策和确保安全驾驶方面发挥着至关重要的作用。在自动驾驶车辆的背景下，交通感知通常涉及使用摄像头、激光雷达、毫米波雷达和其他技术来收集和处理车辆周围的数据，从而实现自动驾驶和导航。

然而，准确感知和理解交通环境中复杂动态带来了几个重大挑战：首先，传感器可能在某些情况下无法提供数据，如摄像头被遮挡时。这些数据缺口可能会中断对交通状况的连续监控，可能导致信息不完整。其次，交通环境中收集的传感器数据受到多种噪声源的影响，包括传感器不准确、天气条件和光照变化。这些噪声使数据中引入了不确定性，使得从中获取精确信息变得更加困难。第三，交通环境本质上复杂且动态，涉及许多相互作用的因素，如车辆、行人、交通信号和道路状况。这种复杂性使得准确建模和理解交通行为变得具有挑战性。

生成型AI技术的进步有望为这些挑战提供解决方案。我们进行了深入的文献综述，重点关注生成型AI在解决交通感知挑战方面的应用。所综述的文献涵盖了交通感知的各个方面，包括交通数据插补、交通估计、交通数据分析和交通异常检测。它们之间的关系在图3中进行了说明。

生成型AI在交通预测中的应用 

交通预测是指预估或预测未来的交通状况，涵盖了各种方面，如出行需求、出行时间、交通流量，以及交通系统内车辆和个人的移动和行为。交通预测对城市交通规划和管理至关重要。然而，实现准确预测面临着重大挑战。首先，城市交通系统展现出复杂的空间和时间动态。其次，交通状况高度动态，易受实时事件、持续的建设活动甚至人类行为等因素的快速变化影响。第三，从各种传感器、摄像头和GPS设备获取高质量数据对交通预测很重要，但这些数据通常有限且不完整。生成型AI技术为克服这些挑战提供了强大的解决方案。在我们全面的文献综述中，我们专注于生成型AI在解决交通预测挑战方面的应用。我们将这些研究分为四个主要方面：与人相关、与车辆相关、与路段相关和与区域相关的交通预测，涵盖了交通系统的关键组成部分。它们之间的关系在图4中给出。

生成型AI在交通仿真中的应用 

交通仿真涉及到交通系统的数学建模，可用于生成车辆和行人的移动和行为。这项技术可应用于多个领域，包括城市规划、政策变更评估，以及测试和验证自动驾驶车辆算法。然而，实现更真实的交通仿真面临着几个挑战。首先，现实世界的交通场景数据通常通过道路摄像头或传感器收集。然而，获取这些数据不仅成本高昂，而且在罕见或危险情况下难以捕获。其次，由于涉及众多变量，交通动态本质上复杂，从个别驾驶员的行为、决策和反应到诸如天气或突发事件这类外部因素的不可预测性。捕捉这些动态的复杂性是一个重大挑战。此外，车辆、基础设施和行人之间的相互关联关系进一步增加了情况的复杂性。使用传统深度学习方法的现有工作[81, 241]通常需要大量标注数据，并且可能无法很好地泛化到未见或罕见情况。此外，这些方法可能难以捕捉交通场景中的广泛动态交互[129, 235]。

生成型AI技术为交通仿真挑战提供了潜在的解决方案。它们可以创建真实的交通场景，包括可能在现实世界数据中缺失的罕见或极端情况。它们的适应性使其能够调整以适应不断变化的交通动态，从而更全面地捕捉复杂的交互。此外，通过从少量真实交通数据学习，它们可以不断完善仿真，确保更紧密地反映现实世界交通的复杂性。接下来，我们将从三个方面介绍使用生成型AI技术的相关工作：驾驶行为仿真、交通场景生成和交通流生成。我们在图5中绘制了它们之间的关系。

结论 

生成型AI技术在交通系统的感知、预测、仿真和控制中扮演着越来越重要的角色，为提高交通效率、安全性和可持续性提供了强大的工具和方法。在这篇综述中，我们系统地研究了智能交通系统中生成型AI技术的关键解决方案，并探讨了生成型AI在这一领域尚未完全解决的挑战性问题。我们希望这篇综述能促进生成型AI技术在智能交通系统领域的进一步创新和发展，帮助研究人员有效地利用生成型AI技术解决更多实际交通问题，并鼓励开发更先进的针对交通领域的生成型AI方法。

未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）大脑研究计划，构建互联网（城市）大脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”