摘要
个性化公共交通路线规划在公共交通系统中仍然面临挑战，主要由于难以捕捉和整合多样的用户偏好到路线算法中。本文提出了ChatPlanner，一个新颖的框架，利用大型语言模型（LLMs）来实现偏好感知的公共交通路线规划。
我们的方案采用微调的LLMs与检索增强生成（RAG）结合，提取路线参数并从自然语言查询中解读细微的用户偏好，随后将这些偏好整合到公共交通路线算法的目标函数中。研究设计了包含八种角色和五种上下文的偏好感知数据集，以建立微调和RAG的评分标准。
本研究进行了三项实验以验证解决方案的可行性、路由信息和偏好的提取，以及解决方案集的质量和完整性。结果表明，ChatPlanner能够可靠地生成可行的解决方案。微调确保了所需输出结构，并学习了一般偏好模式，而RAG则为特定查询提供上下文，解决不精确或对话式表达并校准连续分数。两者结合在路由信息提取和用户偏好解读方面达到了最高的准确性。
基于选定案例研究的结果显示，通过捕捉用户偏好，ChatPlanner能够识别出现有路线规划器所忽视的不同维度的有价值解决方案，生成更有价值的路线替代方案。这项研究为将自然语言理解整合到交通优化中建立了新的范式。
博主点评： ChatPlanner的创新之处在于其结合了LLM和RAG的强大能力，为公共交通系统的用户提供了个性化服务。这一研究不仅推动了交通优化的前沿，也为未来的智能交通解决方案奠定了重要基础。其成功的用户偏好捕捉与路线生成方法，值得更多领域借鉴和应用。