論文の概要: Beyond Words: Evaluating Large Language Models in Transportation Planning
- arxiv url: http://arxiv.org/abs/2409.14516v1
- Date: Sun, 22 Sep 2024 16:20:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 22:19:40.935181
- Title: Beyond Words: Evaluating Large Language Models in Transportation Planning
- Title(参考訳): 単語を超えて:交通計画における大規模言語モデルの評価
- Authors: Shaowei Ying, Zhenlong Li, Manzhu Yu,
- Abstract要約: 本研究では,大規模言語モデル(LLM),特にGPT-4とPhi-3-miniの評価を行い,交通計画の充実を図る。
この結果は、都市交通計画におけるGenAI技術の変革の可能性を示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The resurgence and rapid advancement of Generative Artificial Intelligence (GenAI) in 2023 has catalyzed transformative shifts across numerous industry sectors, including urban transportation and logistics. This study investigates the evaluation of Large Language Models (LLMs), specifically GPT-4 and Phi-3-mini, to enhance transportation planning. The study assesses the performance and spatial comprehension of these models through a transportation-informed evaluation framework that includes general geospatial skills, general transportation domain skills, and real-world transportation problem-solving. Utilizing a mixed-methods approach, the research encompasses an evaluation of the LLMs' general Geographic Information System (GIS) skills, general transportation domain knowledge as well as abilities to support human decision-making in the real-world transportation planning scenarios of congestion pricing. Results indicate that GPT-4 demonstrates superior accuracy and reliability across various GIS and transportation-specific tasks compared to Phi-3-mini, highlighting its potential as a robust tool for transportation planners. Nonetheless, Phi-3-mini exhibits competence in specific analytical scenarios, suggesting its utility in resource-constrained environments. The findings underscore the transformative potential of GenAI technologies in urban transportation planning. Future work could explore the application of newer LLMs and the impact of Retrieval-Augmented Generation (RAG) techniques, on a broader set of real-world transportation planning and operations challenges, to deepen the integration of advanced AI models in transportation management practices.
- Abstract(参考訳): 2023年のジェネレーティブ・人工知能(GenAI)の復活と急速な進歩は、都市交通や物流を含む多くの産業分野における変革的な変化を触媒にした。
本研究では,大規模言語モデル(LLM),特にGPT-4とPhi-3-miniの評価を行い,交通計画の充実を図る。
本研究は, 一般地理空間技術, 一般交通領域技術, 実世界の交通問題解決などを含む交通インフォームド評価フレームワークを用いて, これらのモデルの性能と空間的理解を評価する。
混成手法を用いて,LLMの一般地理情報システム(GIS)技術,一般交通領域の知識,および渋滞価格の現実的な交通計画シナリオにおける人間の意思決定を支援する能力の評価を行う。
その結果, GPT-4 は Phi-3-mini と比較して, 各種GIS および輸送特化タスクにおいて高い精度と信頼性を示し, 輸送計画立案者にとって堅牢なツールとしての可能性を強調した。
それでも、Phi-3-miniは特定の分析シナリオにおける能力を示し、資源制約環境におけるその有用性を示唆している。
この結果は、都市交通計画におけるGenAI技術の変革の可能性を示している。
将来的な研究は、より新しいLSMの適用と、より広範な現実的な輸送計画と運用上の課題に対する検索・拡張世代(RAG)技術の影響を探求し、輸送管理プラクティスにおける高度なAIモデルの統合をさらに深めることができる。
関連論文リスト
- A Survey of World Models for Autonomous Driving [63.33363128964687]
自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。
本稿では、自律運転の世界モデルにおける最近の進歩を体系的にレビューする。
論文 参考訳(メタデータ) (2025-01-20T04:00:02Z) - Integrating LLMs with ITS: Recent Advances, Potentials, Challenges, and Future Directions [1.6121249557846946]
本稿では,Large Language Models (LLMs) のITS最適化における変換可能性について概説する。
我々の分析は、これらの高度なモデルが交通管理と安全性を大幅に向上させる方法を明らかにしている。
本稿は,PLMをITSに統合する複雑性と機会を通じて,研究者や実践者を支援することを目的とする。
論文 参考訳(メタデータ) (2025-01-08T11:37:35Z) - Exploring the Potential of Large Language Models in Public Transportation: San Antonio Case Study [1.7740414468805545]
本研究では,サンアントニオの交通システムにおいて,公共交通機関の管理に革命をもたらす大規模言語モデル (LLM) の可能性を探る。
経路計画の最適化,待ち時間を短縮し,パーソナライズされた旅行支援を行う能力について検討する。
論文 参考訳(メタデータ) (2025-01-07T16:18:55Z) - Benchmarking the Capabilities of Large Language Models in Transportation System Engineering: Accuracy, Consistency, and Reasoning Behaviors [17.20186037322538]
幅広い分野の交通工学的問題のサンプルを含むベンチマークデータセットであるTransportBenchを紹介した。
このデータセットは、さまざまな商用およびオープンソースの大規模言語モデル(LLM)の能力を評価するために、人間の専門家によって使用される。
われわれの研究は、複雑な交通問題に人工知能を活用するための、すばらしい第一歩だ。
論文 参考訳(メタデータ) (2024-08-15T17:55:45Z) - AgentGen: Enhancing Planning Abilities for Large Language Model based Agent via Environment and Task Generation [81.32722475387364]
大規模言語モデルに基づくエージェントが注目され、ますます人気が高まっている。
計画能力は LLM ベースのエージェントの重要な構成要素であり、通常は初期状態から望ましい目標を達成する必要がある。
近年の研究では、専門家レベルの軌跡を指導訓練用LLMに活用することで、効果的に計画能力を向上させることが示されている。
論文 参考訳(メタデータ) (2024-08-01T17:59:46Z) - 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) - A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。
先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。
本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
論文 参考訳(メタデータ) (2023-06-05T01:01:12Z) - A Bibliometric Analysis and Review on Reinforcement Learning for
Transportation Applications [43.356096302298056]
交通は経済と都市の発展のバックボーンである。
自律的な意思決定者が複雑な環境と対話できるようにする強化学習(RL)。
本稿では, 交通用RL法の開発状況を明らかにするために, 文献分析を行った。
論文 参考訳(メタデータ) (2022-10-26T07:34:51Z) - End-to-end Interpretable Neural Motion Planner [78.69295676456085]
複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。
我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。
北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2021-01-17T14:16:12Z)
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。