在国家自然科学基金卓越创新群体项目、重点项目和青年科学基金项目（批准号：72288101、72431002、72201029）资助下，老虎游戏机高自友教授团队与英国伦敦国王老虎游戏机王道平博士、美国伦斯勒理工老虎游戏机高建喜博士合作针对不同城市、不同交通方式及多样化运行场景下交通流预测模型可扩展性与通用性不足等问题，开展了基于大语言模型的城市交通预测研究。此研究通过Article长文形式，以“通用可扩展城市交通预测大模型（A scalable and generic framework for city-wide traffic prediction with large language model）”为题，于2026年5月26日发表在《自然-通讯》（Nature Communications）上，论文链接：//www.nature.com/articles/s41467-026-73610-2。
此外，该成果于2026年9月16日获《自然-通讯》工程团队(Engineering Team)首席编辑 Gustavo Tontini推荐，收录于编辑精选（Editors’Highlights）栏目的“工程与基础设施（Engineering and Infrastructure）”专题页面，题为《基于大型语言模型的城市全域交通预测可扩展通用框架》。Editors’Highlights旨在遴选相关领域近期发表的优秀研究成果。本成果的编辑精选链接：//www.nature.com/collections/fhffefjdca。
随着城市交通系统持续发展，交通方式和运行场景日益多样化，对交通预测模型的可扩展性和通用性提出了更高要求。已有研究大多聚焦于特定交通方式、特定运行场景或固定时间粒度下的交通流预测，不同交通方式和场景通常需要分别构建预测模型，导致现有研究较为碎片化，难以实现跨交通方式、跨场景和跨时间粒度的统一预测。因此，构建面向多交通方式、多运行场景和多时间粒度的通用可扩展城市交通预测框架，是城市交通预测领域需要解决的重要问题。
研究团队面向城市交通预测中的通用性和可扩展性问题，构建了基于大语言模型的通用可扩展城市交通预测框架（图1），并基于来自29个城市或地区的11个大规模真实交通数据集开展系统验证。上述数据集涵盖城市轨道交通、高速铁路、公交、出租车、共享单车和高速公路等多种交通方式，以及工作日、周末、节假日等不同运行场景和多种时间粒度。研究结果表明，所提出的框架取得了与现有先进方法相当的预测性能，并在不同交通方式、运行场景和时间粒度下表现出较强的可扩展性和通用性，为未来智慧城市交通管理与决策提供了通用可扩展的交通预测基础。
图1 通用可扩展城市交通预测大模型框架。（a）多交通方式数据；（b）多交通方式数据训练阶段；（c）特定交通方式数据微调阶段；（d）模型测试阶段。