Synthetic Participatory Planning of Shard Automated Electric Mobility Systems

本文介绍了一种新的综合参与方法，利用大型语言模型（LLMs）创建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），在多利益相关者的背景下释放快速发展的出行技术之间的协同效应，为解决城市交通问题提供了独特的挑战和机遇。这些可校准的代理人共同确定目标，设想和评估SAEMS的替代方案，并在风险和约束条件下制定策略。蒙特利尔案例研究的结果表明，与使用单个LLM启用的专家代理人生成的SAEMS计划相比，结构化和参数化的工作流程提供了更高的可控性和全面性的输出。因此，这种方法为成本效益地改善多目标交通规划的包容性和可解释性提供了一个有前途的途径，这表明我们在如何设想和制定可持续交通系统方面需要进行范式转变。

在多利益攸关方的情境下，如何规划共享自动化电动出行系统（SAEMS）？如何提高多目标交通规划的包容性和可解释性？

使用大型语言模型（LLMs）创建数字化利益攸关方的代理人，协同识别目标、评估SAEMS替代方案、并在风险和约束条件下制定实施策略。

使用新颖的合成参与方法来规划SAEMS，提高了交通规划的可控性和全面性。研究结果表明，相比单一的LLM专家代理人，使用结构化和可参数化的工作流程能够提供更好的SAEMS规划输出。这一方法为成本有效地提高多目标交通规划的包容性和可解释性提供了有前途的途径。

最近的相关研究包括：1）自动化驾驶汽车的交通流模拟；2）使用机器学习预测出行需求；3）基于智能合约的电动车充电桩共享系统。