摘要
城市交通系统在多个任务中面临多样化挑战，包括交通流量预测、电动汽车（EV）充电需求预测以及出租车调度等。现有方法存在两大关键局限：小规模深度学习模型通常具有任务特异性且对数据需求量大，限制了其在不同场景下的泛化能力；而大型语言模型（LLMs）虽然通过自然语言接口提供了灵活性，但在处理交通领域的结构化时空数据及数值推理方面表现不佳。为解决上述问题，我们提出TransLLM——一种统一的基础框架，通过可学习的提示组合机制，将时空建模与大型语言模型有机结合。该方法采用轻量级的时空编码器，利用扩张时间卷积与双邻接图注意力网络捕捉复杂的依赖关系，并通过结构化嵌入与LLM实现无缝对接。我们设计了一种新颖的实例级提示路由机制，基于强化学习进行训练，能够根据输入特征动态个性化生成提示，突破了传统固定任务模板的局限。该框架的工作流程为：将时空模式编码为上下文表示，动态组合个性化提示以引导LLM进行推理，并通过专用输出层投影生成任务特定的预测结果。在七个数据集和三项任务上的实验表明，TransLLM在监督学习与零样本学习场景下均表现出卓越性能。与十种基线模型相比，其在回归与规划类问题上均展现出具有竞争力的表现，体现出强大的泛化能力与跨任务适应性。相关代码已开源，获取地址见本文链接。