在大型城市中，规划多日旅行行程面临众多挑战，包括丰富的兴趣点（POI）、多样的用户偏好以及诸如开放时间等约束条件。有效的解决方案必须动态适应不同旅行者的需求，同时在有限的计算时间内优化满意度和可行性。
本文提出了一种创新框架，结合了大型语言模型（LLMs），能够精确灵活地捕捉用户需求，同时采用增强的贪婪随机自适应搜索程序（GRASP）算法，作为一个考虑偏好的规划器，生成可行的多日行程。通过对来自北京和天津的两个真实城市数据集进行广泛实验，我们的方法显著优于现有最先进技术（SOTA），在5,040个具有不同偏好的用户案例中，平均行程得分提高至少4.52%和11.09%。
此外，通过端到端的算法增强，我们在计算指标上实现了显著的平均提升，分别为17.95%和26.07%；同时在时间效率上也取得了显著提升，与需要多次迭代的次优方法相比，平均性能提高了4.64%和25.55%。这些结果凸显了我们的方法在提升行程质量和计算效率方面的优越性。
博主点评： 本文提出的框架结合了先进的语言模型与高效的搜索算法，针对用户需求的动态适应能力令人印象深刻。通过实证数据验证方法的有效性，为城市旅行规划提供了新思路，具有较高的实际应用价值。