ChatPlanner：用于个性化公共交通路线的 大语言模型 框架

由于难以捕获不同的用户偏好并将其集成到路线算法中，公共交通系统中的个性化公共交通路线仍然具有挑战性。本文介绍了 ChatPlanner，这是一种利用 大语言模型 (LLM) 来实现偏好感知公共交通路由的新颖框架。我们的方法采用经过微调的 LLM 和检索增强生成 (RAG) 来提取路由参数，并将自然语言查询中对话表达的偏好解释为偏好分数，随后将这些偏好集成到公共交通路由算法的目标函数中。本研究设计了包含八个角色和五个上下文的偏好感知数据集，以建立 微调 和 RAG 的评分标准。这项工作进行了四项实验来验证解决方案的可行性、路由信息和偏好的提取、解决方案集的质量和完整性以及延迟和计算的易处理性。结果表明 ChatPlanner 能够可靠地生成可行的解决方案。 微调 强制执行所需的输出结构并学习一般偏好模式，而 RAG 提供特定于查询的上下文来解决不精确或会话表达式并校准连续分数。两者的结合在路由信息提取和符合标准的用户偏好解释方面实现了最高精度。基于选定案例研究的结果表明，通过捕获用户以对话方式表达的偏好，ChatPlanner 可以跨不同维度识别现有路线规划人员忽略的与偏好相关的解决方案，从而生成更多路线替代方案。延迟评估证实该框架在计算上是易于处理的。这项研究建立了将自然语言理解融入交通优化的新范式。