FedLLM：説明可能な交通流予測のためのプライバシー保護型フェデレーテッド大規模言語モデル

要旨: 交通予測は、リアルタイムの意思決定、渋滞管理、長期計画を支えることで、知能化交通システム（ITS）において中心的な役割を果たしている。しかし、多くの既存手法には実運用上の制約がある。多くの時空間モデルは集中型データで学習され、数値表現に依存しており、説明可能性は限定的である。近年の大規模言語モデル（LLM）手法は推論能力を改善するが、通常は集中型データが利用可能であることを前提としており、現実の交通システムが持つ分散性や異質性を十分に捉えていない。これらの課題に対処するため、本研究は、説明可能なマルチホライゾン短時間交通流予測（15-60分）を実現する、プライバシー保護かつ分散型の枠組みFedLLM（Federated LLM）を提案する。この枠組みは、4つの主要な貢献を含む。1) 交通領域間の構造的多様性を捉える、データ駆動型の高速道路選択のための複合選択スコア（CSS） 2) 空間・時間・統計的文脈を符号化する構造化交通プロンプト上で微調整された、ドメイン適応済みLLM 3) FedLLM枠組み。異質なクライアント間で共同学習を可能にし、やり取りするのは軽量なLoRAアダプタのパラメータのみとすることである。4) 文脈に基づく推論と領域間の汎化を支える構造化プロンプト表現。FedLLMの設計により、各クライアントはローカルな交通パターンを学習しつつ、効率的なパラメータ交換を通じて共有グローバルモデルに貢献できる。その結果、通信オーバーヘッドを削減し、データの機密性も維持できる。この設定により、非IIDな交通分布下での学習を支援する。実験結果は、FedLLMが集中型ベースラインに比べて予測性能を向上させるとともに、構造化され説明可能な出力を生成することを示す。これらの知見は、FLとドメイン適応済みLLMを組み合わせることで、スケーラブルでプライバシーに配慮し、かつ説明可能な交通予測が可能になる可能性を示している。