Bài báo này đề xuất TransLLM, một khuôn khổ tích hợp kết hợp mô hình không gian thời gian và mô hình ngôn ngữ quy mô lớn (LLM) để giải quyết các thách thức đa dạng trong hệ thống giao thông đô thị, bao gồm dự đoán giao thông, dự báo nhu cầu sạc xe điện và điều phối taxi. TransLLM nắm bắt các mối phụ thuộc phức tạp thông qua bộ mã hóa không gian thời gian nhẹ và tương tác liền mạch với LLM thông qua cấu trúc nhắc nhở có thể học được. Cơ chế định tuyến nhắc nhở ở cấp độ cá thể được đào tạo thông qua học tăng cường sẽ cá nhân hóa các nhắc nhở một cách động dựa trên các đặc điểm đầu vào. Nó mã hóa các mẫu không gian thời gian dưới dạng biểu diễn theo ngữ cảnh, xây dựng các nhắc nhở được cá nhân hóa để hướng dẫn suy luận LLM và tạo ra các dự đoán cụ thể cho từng tác vụ thông qua một lớp đầu ra chuyên biệt. Kết quả thử nghiệm trên bảy tập dữ liệu và ba tác vụ chứng minh rằng TransLLM hoạt động cạnh tranh trong cả cài đặt có giám sát và không có cảnh quay nào, thể hiện khả năng tổng quát hóa tuyệt vời và khả năng thích ứng giữa các tác vụ.
