面向交通与运输研究的大语言模型：方法论、前沿进展与未来机遇

摘要：大语言模型（LLMs）的快速发展正在深刻变革交通与运输研究领域。2023至2025年间，LLMs在各类交通应用中的采纳与适配呈现爆发式增长，标志着该领域研究范式的重大转变。然而，现有研究仍缺乏系统性梳理与整合。为此，本文全面综述了LLMs在交通领域的方法论体系与应用实践，重点阐释其处理非结构化文本数据以推动运输研究的独特能力。研究涵盖自动驾驶、出行行为预测和通用交通咨询等关键应用场景，以及零样本/小样本学习、提示工程和微调等核心技术方法。

通过系统分析，本文揭示了两大维度的研究空白：方法论层面，可通过LLMs与传统工具的融合及模型架构优化予以突破；应用层面，基于现有研究基础存在大量待探索的交通挑战解决方案。本综述不仅明确了LLMs在交通领域应用现状，更为构建智能化可持续交通系统提出了未来研究方向。

关键词：大语言模型；自然语言处理；交通运输；交通流；物流引言自古以来，交通与运输始终是推动人类文明演进的核心动力。从公元前20世纪海上贸易路线主导的帝国兴衰，到复杂路网支撑的城市扩张（Gianpaolo等，2013），人员与货物的流动构成了社会发展的基石。高效运输系统既促进了经济增长、文化交流与技术进步，也带来了拥堵、安全与环境影响等挑战。20世纪计算机技术的兴起彻底变革了交通研究范式。优化算法与预测模型的出现，使得运输网络规划更具系统性与效率。这些进步显著提升了交通管理、路径优化和需求预测能力。然而，现代运输系统产生的多源异构数据（包括数值指标、视频图像，以及来自交通报告、社交媒体和传感器日志的非结构化文本），仍令传统算法难以有效整合与解析。人工智能的最新进展，尤其是大语言模型（LLMs），为应对这些挑战提供了新思路。基于Transformer架构（Vaswani等，2017）的GPT-4、BERT等模型，通过海量数据训练展现出卓越的语言理解与生成能力。其优势不仅限于自然语言处理（NLP），更体现在：多模态数据融合与推理非结构化信息自动化提取文本与数值数据的协同分析这些特性使LLMs能够：✓ 提升交通预测精度✓ 生成应急规划场景✓ 优化资源配置决策✓ 减少碳排放促进可持续性本文旨在系统梳理LLMs在交通领域的方法创新与应用实践，重点探讨：LLMs最具应用潜力的交通研究场景针对特定交通问题的适配方法选择现存挑战与未来机遇全文结构如下：第2章阐述LLMs方法论基础；第3章按交通/运输两大维度分类应用；第4章量化研究趋势；第5章总结展望。缩写词见表1。