面向交通与运输研究的大语言模型：方法论、前沿进展与未来机遇

核心观点： 该研报全面回顾了大型语言模型（LLMs）在交通和交通运输研究中的方法论、应用现状和未来机遇。LLMs能够处理非结构化文本数据，推动交通运输研究的发展，并在自动驾驶、出行行为预测和一般交通运输相关查询等关键应用中展现出巨大潜力。

关键数据： 研报分析了2023年至2025年间LLMs在交通运输研究中的应用趋势，发现GPT系列模型（GPT-3.5和GPT-4）在各个应用领域占据主导地位，而ChatGLM、LLaMA等模型也在特定领域展现出优势。自动驾驶和出行行为预测是LLMs应用最广泛的领域，其次是交通预测和出行安全分析。

研究结论： LLMs在交通运输研究中具有巨大的应用潜力，但仍存在一些挑战，例如计算资源需求高、数据隐私问题、模型幻觉等。未来研究方向包括开发轻量级和专用LLMs、优化提示工程、整合知识图谱和视觉模型、以及探索3D重建与LLMs的结合等。此外，还需要关注LLMs的伦理考量、跨文化适应性、鲁棒性和可适应性，以及建立统一的评估基准等。

主要应用领域：

• 交通研究： 自动驾驶、事故分析、应急管理、交通安全、信号控制和交通预测。
• 交通运输研究： 航空与空中交通管制、海上交通运输、供应链管理、公共交通。
• 多任务应用： LLMs在多个交通和交通运输领域中的应用，例如交通数据分析、模拟、优化和控制。

未来机遇： LLMs有望在交通和交通运输领域发挥更大的作用，例如优化交通信号控制、提高交通预测的准确性、开发更安全的自动驾驶系统、改进公共交通服务，以及促进供应链管理效率等。