Transportation Research Part C Emerging Technologies· 2026Q1
ChatPlanner: Kişiselleştirilmiş Toplu Taşıma Yönlendirmesi İçin LLM Çerçevesi
ChatPlanner: A large language model framework for personalized public transit routing
- 1atıf
- Q1SCImago
- 2026yıl
Kısa özet
Doğal dil sorgularından kullanıcı tercihlerini doğru bir şekilde çıkaran ve toplu taşıma yönlendirmesini kişiselleştiren, mevcut planlayıcılardan daha alakalı alternatifler üreten, ince ayarlanmış LLM'leri ve Retrieval-Augmented Generation'ı (RAG) kullanan yeni bir çerçeve olan ChatPlanner.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- ChatPlanner, yönlendirme parametrelerini çıkarmak ve konuşma yoluyla ifade edilen kullanıcı tercihlerini tercih puanlarına dönüştürmek için RAG ile ince ayarlanmış LLM'lerden yararlanır.
- İnce ayar ve RAG değerlendirmesi için sekiz kişilik ve beş bağlam içeren tercih-duyarlı veri kümeleri oluşturuldu.
- Çerçeve, güvenilir bir şekilde uygulanabilir çözümler üretir ve mevcut planlayıcıların gözden kaçırdığı tercihsel olarak ilgili rota alternatiflerini belirler.
- İnce ayar ve RAG'ın birleşimi, kabul edilebilir gecikme süresiyle bilgi çıkarma ve tercih yorumlamada yüksek doğruluk elde eder.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Personalized public transit routing in public transit systems remains challenging due to the difficulty of capturing and integrating diverse user preferences into routing algorithms. This paper presents ChatPlanner, a novel framework that leverages Large Language Models (LLMs) to enable preference-aware public transit routing. Our approach employs fine-tuned LLMs with Retrieval-Augmented Generation (RAG) to extract routing parameters and interpret conversationally expressed preferences from natural language queries as preference scores, subsequently integrating these preferences into the objective function of a public transit routing algorithm. This study designs preference-aware datasets incorporating eight personas and five contexts to establish scoring standards for both fine-tuning and RAG. This work conducted four experiments to validate the solutions' feasibility, extraction of routing information and preferences, solution set quality and completeness, and latency and computational tractability. Results demonstrate that ChatPlanner generates feasible solutions reliably. Fine-tuning enforces the required output structure and learns general preference patterns, while RAG provides query-specific context to resolve imprecise or conversational expressions and calibrate continuous scores. The combination of both achieves the highest accuracy in routing information extraction and rubric-consistent user preference interpretation. Results based on selected case studies show that by capturing user conversationally expressed preferences, ChatPlanner identifies preference-relevant solutions across different dimensions that existing route planners overlook, generating more route alternatives. The latency evaluation confirms that the framework is computationally tractable. This research establishes a new paradigm for integrating natural language understanding into transportation optimization.
Yazarların özeti; kaynağından alınmıştır. Transportation Research Part C Emerging Technologies, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Otomotiv Mühendisliği
Automotive EngineeringEngineering