Große Sprachmodelle können Verkehrsflüsse genau und erklärbar vorhersagen, indem sie multimodale Faktoren als sprachbasierte Eingaben nutzen.
Das CCDSReFormer-Modell bietet eine effiziente und genaue Methode zur Vorhersage des Verkehrsflusses, indem es eine Criss-Crossed Dual-Stream-Architektur und verbesserte rektifizierte Transformer-Module nutzt, um die komplexen räumlich-zeitlichen Abhängigkeiten im Verkehrsnetzwerk zu erfassen.
Ein neuartiges LSTTN-Modell (Long-Short Term Transformer-based Network), das langfristige Trends und periodische Merkmale aus langen historischen Zeitreihen extrahiert und diese mit kurzfristigen Trends kombiniert, um genauere Verkehrsflussvorhersagen zu ermöglichen.