Large Language Models for Synthetic Participatory Planning of Synergistic Transportation Systems

本文介绍了一种新颖的综合参与方法，利用大型语言模型（LLMs）创建数字化代表不同利益相关者的数字化化身，以规划共享自动化电动出行系统（SAEMS）。这些可校准代理人协作地确定目标，构想和评估SAEMS替代方案，并在风险和限制下制定实施策略。蒙特利尔案例研究的结果表明，相对于使用单个LLM启用的专家代理人生成的SAEMS计划，结构化和参数化的工作流程提供了更高的可控性和综合性的输出。因此，这种方法提供了一种有前途的途径，以成本效益的方式提高多目标交通规划的包容性和可解释性，这意味着我们在如何构想和制定可持续和公平的交通系统方面需要进行范式转变。

如何利用大型语言模型（LLMs）解决城市交通问题中的多方利益相关者参与问题？

使用合成参与方法，利用LLMs创建数字化代表不同利益相关者的数字化头像，协作性地规划共享自动化电动出行系统（SAEMS），并在风险和约束条件下实施。

通过蒙特利尔案例研究，表明使用参数化的工作流程提供了比单个LLM专家代理生成的SAEMS计划更高的可控性和全面性的输出。

最近的相关研究包括“基于人工智能的城市交通管理系统”和“城市交通预测中的深度学习方法”。