一、研究背景
1. 研究问题
本文要解决的问题是如何利用大语言模型(LLMs)来自动化生成城市交通模拟场景。具体来说，研究如何通过LLM将用户的文本描述转换为SUMO仿真场景，从而降低用户进入该领域的门槛。
2. 难点
该问题的研究难点包括：创建交通仿真场景需要专业知识，现有的仿真软件对用户不友好， 用户需要定义网络、车辆、路线等参数，这些都对非专业用户构成了障碍。
3. 相关工作
在交通仿真领域，已有的研究主要集中在安全方面，如
TrafficSafetyGPT， ChatScene， AccidentGPT等。
这些工作主要利用LLM生成安全相关的场景或进行事故分析。此外，还有一些工作将LLM与微观交通仿真工具结合，如
PromptGAT 各种LLM驱动的微观仿真模型
二、研究方法
总体框架
本文提出了ChatSUMO，—种基于LLM的代理，用于简化SUMO仿真的使用。具体包括：
输入模块: 首先，利用LLM处理用户输入，将其转换为相关的关键词。这些关键词用于运行Python脚本 ，创建抽象网络或将指定区域转换为坐标。
仿真生成模块: 用户输入被解析为Python字典后，脚本会下载OpenstreetMap数据，将其转换为道路网络 ，并在SUMO中运行仿真。生成的仿真可以是抽象网络或现实世界网络。
定制模块: 用户可以通过文本描述定制仿真场景，包括删除道路、优化交通信号灯和调整车辆路线等。系统通过调用预定义的API来实现这些定制功能。
分析模块: 仿真输出被解析为分析报告，包括交通密度、旅行时间、排放和燃料消耗等指标。用户可以 选择比较不同修改的输出，以直观地了解优化的效果。
三、实验设计
数据收集: 实验使用了Meta的Llama3.1模型来解析用户输入，并从openstreetMap获取所需的地图数据。
实验设置: 实验在城市奥巴尼进行了两种类型的仿真：抽象网络和现实世界网络，仿真条件设置为中等交通流量(每小时2000辆车)。
样本选择: 为了评估仿真生成的准确性，实验生成了一个半径为1英里的蜘蛛状网络，并与openstreetMap下载的网络进行了对比。
参数配置: 实验中设置了三个网络规模(0.5英里、1英里、3英里)，以评估不同规模网络的仿真生成时间。
四、结果与分析
仿真生成准确性: 生成的现实世界网络与实际下载的网络相比，路段的数量差异仅为4.2%，显示了仿真生成模块的高性能。
仿真生成时间: 生成1英里半径的仿真需要30秒，而手动创建同样的仿真需要15分钟，显示了ChatSUMO在时间效率上的显著贡献。
路段编辑: 移除主要街道显著影响了交通流量，增加了主干道的平均密度，并略微增加了旅行时间。移除道路也提高了CO2排放和燃料消耗。
交通信号灯优化: 交通信号灯相位差显著减少了前10条道路的拥堵，减少了旅行时间，并降低了CO2排放和燃料 消耗。信号适应进—步减少了旅行时间，但增加了CO2排放。
车辆类型定制: 增加电动车比例显著降低了CO2排放和燃料消耗，但对交通密度影响不大。
调整车辆比例
结果
五、总体结论
本文提出了—种基于LLM的方法，通过ChatSUMO实现了SUMO仿真的自动化生成和修改。该系统简化了用户创建和优化交通仿真的过程，使得缺乏专业知识的用户也能轻松进行仿真。未来的工作将集中在进—步提升系统的能力，包括集成更先进的仿真功能和改进用户支持工具，以扩大交通仿真技术的普及和应用。
1、优点与创新
创新性LLM代理: 提出了—种基于大语言模型(LLM)的代理，能够将文本描述转换为SUMO仿真场景，使用户无需具备广泛的交通仿真知识。
简化的仿真生成和修改过程: ChatSUMO简化了仿真生成和修改的过程，使其对所有专业水平的用户都易于访问。
直观的界面: 通过利用先进的语言处理能力，ChatSUMO提供了一个直观的交通仿真界面，提供实时洞察和动态调整。
高效的仿真生成: 在生成AIbany城市的真实世界仿真时，准确率达到96%。
多种定制功能: 实现了路段编辑、交通信号灯优化和车辆编辑的用户自定义，有效提升了仿真的灵活性和实用性。
自动化数据处理: 分析模块解释了仿真输出，提供了详细的交通密度、旅行时间、排放和燃料消耗报告。
多模块架构: 系统由输入模块、仿真生成模块、仿真定制模块和仿真分析模块组成，提高了人机交互效率。
2、不足之处
系统扩展性: 尽管ChatSUMO在生成和修改仿真方面表现出色，但未来工作将集中于进—步提升系统的能力，包括集成更高级的仿真特性和改进用户支持工具。
复杂交通仿真的进—步研究: 尽管ChatSUMO已经能够生成复杂的交通仿真，但在处理更复杂的交通模式和大规模网络时，仍需进—步研究和优化。
用户支持工具的改进: 未来工作将包括改进用户支持工具，以帮助用户更好地理解和应用ChatSUMO的功能。
六、关键问题及回答
问题1: ChatSUMO系统在仿真生成过程中是如何利用LLM处理用户输入的?
ChatSUMO系统通过一个名为SUMOInput的模型来处理用户输入，该模型基于Meta的Llama3.1模型。用户输入的自然语言描述会被转换为Python字典，包含决策输入、类型输入和具体要求输入。
例如，用户输入“生成奥巴尼市的仿真，半径3英里，交通状况为中等级别"(英文翻译过来的)会被转换为包含城市名、半径和交通状况的字典。然后，这些关键词会被传递给Python脚本，脚本会下载OpenstreetMap数据，将其转换为道路网络，并在SUMO中运行仿真。
问题2: ChatSUMO系统在仿真定制模块中提供了哪些具体的定制功能? ChatSUMO系统提供了多种定制功能，包括但不限于:
路段和车道编辑: 用户可以删除指定的道路或车道，例如“我想移除Madison Avenue"。
交通信号灯相位差: 用户可以为所有交通信号灯设置相位差，以实现绿波控制，提高交叉口的通行效率。
交通信号灯自适应: 根据当前交通需求优化单个交通信号灯的信号周期和相位绿灯时长。
车辆生成: 用户可以指定车辆的出发和到达路段OD，系统会生成相应的路径并将其添加到仿真中。
车辆类型编辑：用户可以调整仿真中不同类型车辆的比例，例如增加电动车的比例以减少排放。
问题3: ChatSUMO系统在实验中如何评估仿真生成的准确性和时间效率?
仿真生成准确性: 实验在城市奥巴尼生成了一个半径为1英里的蜘蛛状网络，并与从OpenstreetMap下载的实际网络进行了对比。结果显示，生成的网络与实际网络相比，路段的数量差异仅为4.2%，表明仿真生成模块具有高精度。
时间效率: 实验评估了生成不同规模网络所需的时间。对于1英里半径的仿真，ChatSUMO仅需30秒即可完成，而手动创建同样的仿真需要15分钟。这显示了ChatSUMO在时间效率上的显著优势，特别是对于初学者和非专业用户来说，大大降低了进入该领域的门槛。
论文信息
作者：Shuyang Li, Talha Azfar, and Ruimin Ke
S. Li was with the Department of Civil and Environmental Engineering, University of Michigan, Ann Arbor, MI, 48109. Talha Azfar and Ruimin Ke (e-mail: ker@rpi.edu) are with the Department of Civil and Environmental Engineering, Rensselaer Polytechnic Institute, Troy, NY, 12180
原文：ChatSUMO: Large Language Model for Automating Traffic Scenario Generation in Simulation of Urban MObility
DOI：https://doi.org/10.48550/arXiv.2409.09040
交通仿真学习交流社区
社区藏龙卧虎，齐聚高校老师、硕博、业内大佬，学习交流更方便，微信2群也快满了，加小编可邀请入群，记得备注『交通仿真』
欢迎扫下面二维码加入智能交通技术群！
