論文の概要: Using Large Language Models in Public Transit Systems, San Antonio as a case study

• arxiv url: http://arxiv.org/abs/2407.11003v1
• Date: Tue, 25 Jun 2024 16:32:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 12:29:47.817822
• Title: Using Large Language Models in Public Transit Systems, San Antonio as a case study
• Title（参考訳）: 公共交通システムにおける大規模言語モデルの利用 : サンアントニオを事例として
• Authors: Ramya Jonnala, Gongbo Liang, Jeong Yang, Izzat Alsmadi,
• Abstract要約: 本研究ではサンアントニオの公共交通システムにおける大規模言語モデルの影響について検討する。 この研究は、ルート計画の強化、待ち時間削減、パーソナライズされた旅行支援の提供におけるLLMの変革の可能性を強調している。
• 参考スコア（独自算出の注目度）: 1.7740414468805545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of large language models into public transit systems represents a significant advancement in urban transportation management and passenger experience. This study examines the impact of LLMs within San Antonio's public transit system, leveraging their capabilities in natural language processing, data analysis, and real time communication. By utilizing GTFS and other public transportation information, the research highlights the transformative potential of LLMs in enhancing route planning, reducing wait times, and providing personalized travel assistance. Our case study is the city of San Antonio as part of a project aiming to demonstrate how LLMs can optimize resource allocation, improve passenger satisfaction, and support decision making processes in transit management. We evaluated LLM responses to questions related to both information retrieval and also understanding. Ultimately, we believe that the adoption of LLMs in public transit systems can lead to more efficient, responsive, and user-friendly transportation networks, providing a model for other cities to follow.
• Abstract（参考訳）: 大規模言語モデルの公共交通システムへの統合は、都市交通管理と乗客体験の大幅な進歩を示している。 本研究では,サンアントニオの公共交通システムにおけるLLMの影響について検討し,自然言語処理,データ解析,リアルタイム通信の能力を活用して検討した。 GTFSやその他の公共交通機関の情報を活用することにより、ルート計画の強化、待ち時間短縮、パーソナライズされた旅行支援の提供におけるLLMの変革の可能性を強調した。 ケーススタディは, LLMが資源配分を最適化し, 乗客満足度を高め, 交通管理における意思決定プロセスを支援することを目的としたプロジェクトの一環として, サンアントニオ市を対象としている。 情報検索と理解に関する質問に対するLSM応答の評価を行った。 最終的に、公共交通機関におけるLCMの採用は、より効率的で、応答性があり、ユーザフレンドリーな交通ネットワークへとつながり、他の都市が従うためのモデルとなると信じています。

関連論文リスト

• Leveraging Large Language Models for Enhancing Public Transit Services [12.6020349733674]
  本稿では,公共交通機関におけるLarge Language Models (LLM) の利用について検討する。 Tweet Writer, Trip Advisor, Policy Navigatorの3つのトランジットLDMアプリケーションが提供されている。
  論文  参考訳（メタデータ） (2024-10-18T03:33:47Z)
• Large Language Models for Base Station Siting: Intelligent Deployment based on Prompt or Agent [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 このアプローチは、人間の経験と知識をこれらの洗練されたLLMに注入するために、巧妙なプロンプトの戦略的利用を必要とする。 この統合は、サービスとしての人工知能(AI)と、より容易なAIの将来のパラダイムを表している。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• Large Language Models for Mobility in Transportation Systems: A Survey on Forecasting Tasks [8.548422411704218]
  機械学習とディープラーニングの方法は、その柔軟性と正確性に好まれる。 大規模言語モデル (LLMs) の出現に伴い、多くの研究者がこれらのモデルと過去の手法を組み合わせ、将来の交通情報や人間の旅行行動を直接予測するためにLLMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T02:54:43Z)
• TransportationGames: Benchmarking Transportation Knowledge of (Multimodal) Large Language Models [46.862519898969325]
  TransportationGamesは(M)LLMを評価するための評価ベンチマークである。 各種(M)LLMの性能を記憶し,理解し,選択したタスクによる交通知識の適用において検証する。
  論文  参考訳（メタデータ） (2024-01-09T10:20:29Z)
• Receive, Reason, and React: Drive as You Say with Large Language Models in Autonomous Vehicles [13.102404404559428]
  本稿では,Large Language Models (LLMs) を利用した自律走行車における意思決定プロセスを強化する新しいフレームワークを提案する。 我々の研究は、自動運転と戦術的意思決定タスクのための環境の集合であるHighwayEnvの実験を含む。 また、リアルタイムのパーソナライズも検討し、LLMが音声コマンドに基づいて運転行動にどう影響するかを示す。
  論文  参考訳（メタデータ） (2023-10-12T04:56:01Z)
• Let Models Speak Ciphers: Multiagent Debate through Embeddings [84.20336971784495]
  この問題を解決するためにCIPHER(Communicative Inter-Model Protocol Through Embedding Representation)を導入する。 自然言語から逸脱することで、CIPHERはモデルの重みを変更することなく、より広い範囲の情報を符号化する利点を提供する。 このことは、LLM間の通信における代替の"言語"としての埋め込みの優越性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-10-10T03:06:38Z)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [87.1164964709168]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)
• How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
  大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。 我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
  論文  参考訳（メタデータ） (2023-06-09T11:31:50Z)
• AI Transparency in the Age of LLMs: A Human-Centered Research Roadmap [46.98582021477066]
  強力な大規模言語モデル(LLM)の台頭は、イノベーションの絶大な機会をもたらすだけでなく、個人や社会全体のリスクを悪化させます。 我々は LLM と LLM を注入したアプリケーションの開発とデプロイを責任を持って行うための重要な瞬間に到達した。 LLMの透明性を提供するための新しいアプローチを追求することが最重要である。
  論文  参考訳（メタデータ） (2023-06-02T22:51:26Z)
• Unavailable Transit Feed Specification: Making it Available with Recurrent Neural Networks [8.968417883198374]
  一般論として、公共交通機関の需要は、使用を拒む声が高まり、その品質が要求される。 本稿では,データマイニングと機械学習技術を活用した革新的な手法を用いて,公共交通機関に関する利用できないデータの利用を目標とする。
  論文  参考訳（メタデータ） (2021-02-20T12:17:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。