LLM-使用文本业务输入引导交通枢纽容量规划

虽然传统的枢纽容量规划模型可以有效地针对定量输入进行优化，但它们通常无法消化定性的业务背景。我们提出了一种新颖的框架，其中 大语言模型 (LLM) 代理迭代地提出由自然语言业务上下文描述指导的中心容量决策。关键机制是思想链推理协议：LLM 构建一个结构化决策表，根据隐含的变化方向和幅度将每个上下文项映射到特定的容量调整。然后，通过具有优化模型的反馈循环来验证新的容量决策，该优化模型提供基于路由的性能指标来指导代理的选择。在美国东南部真实的 13 个枢纽货运网络上，我们的框架相对于隐藏的 真值 实现了 2.8% 的最优差距，这比没有文本业务输入的传统优化模型产生的 11.0% 的差距有了显着改善。这表明 LLM 可以充当上下文桥梁，将定性业务洞察集成到运筹学工作流程中。