지능형 교통 시스템에서 정확하고 해석 가능한 예측을 위해 중요한 교통 예측 분야를 다루는 논문입니다. 다양한 위치의 교통 상황에서 발생하는 데이터 분포의 이질성 문제를 해결하고자 합니다. 대규모 언어 모델(LLM)의 소수 샷 학습 능력을 활용하여 복잡한 그래프 관계와 시공간적 의존성을 캡처하는 Strada-LLM을 제안합니다. 이는 시간적 및 공간적 교통 패턴을 명시적으로 모델링하며, 근접 교통 정보를 공변량으로 통합하여 지역적 변동을 효과적으로 포착합니다. 또한, 도메인 적응을 위한 경량 분포 기반 전략을 제안하여 소수 샷 제약 조건에서도 모델 업데이트를 효율적으로 수행합니다. 실험 결과, Strada-LLM은 기존 LLM 기반 및 전통적인 GNN 기반 예측기보다 우수한 성능을 보였으며, 장기 예측에서 RMSE 오류를 17% 개선하고 16% 더 효율적임을 입증했습니다.
