City-LEO: Toward Transparent City Management Using LLM with End-to-End Optimization

现有的运筹学模型和工具在智慧城市运营中发挥着不可或缺的作用，但由于建模的复杂性和优化能力的不足，它们的实际实施受到了限制。为了生成更相关和准确的解决方案以满足用户的需求，我们提出了一种基于大型语言模型（LLM）的代理程序（“City-LEO”），通过对话交互来提高城市管理的效率和透明度。具体而言，为了适应不同用户的需求并增强计算可行性，City-LEO利用LLM的逻辑推理能力对先前的知识进行范围缩小，从而有效地解决大规模优化问题。在类似人类的决策过程中，City-LEO还结合了端到端（E2E）模型，以协同预测和优化。E2E框架有助于应对环境不确定性，并涉及更多查询相关特征，从而促进透明和可解释的决策过程。在案例研究中，我们将City-LEO应用于电动自行车共享（EBS）系统的运营管理。数值结果表明，与全尺度优化问题相比，City-LEO具有更优异的性能。在更少的计算时间内，City-LEO生成更满意和相关的解决方案，实现了更低的全局次优性而不会显著损害准确性。从更广泛的意义上讲，我们提出的代理程序为开发嵌入LLM的智慧城市运营管理运筹学工具提供了希望。

提高智慧城市运营效率和透明度的问题

利用大型语言模型和端到端模型来解决城市管理中的优化问题

提出了一种基于大型语言模型的代理人City-LEO，能够高效地解决大规模优化问题，同时采用端到端模型来应对环境不确定性和提高透明度，案例研究表明City-LEO相比全规模优化问题具有更优的性能和更高的满意度

近期的相关研究包括基于人工智能的智慧城市运营管理、基于大数据和机器学习的城市交通管理等