論文の概要: Leveraging Large Language Models for Enhancing Public Transit Services
- arxiv url: http://arxiv.org/abs/2410.14147v1
- Date: Fri, 18 Oct 2024 03:33:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-21 14:25:52.936317
- Title: Leveraging Large Language Models for Enhancing Public Transit Services
- Title（参考訳）: 公共交通サービス向上のための大規模言語モデルの活用
- Authors: Jiahao Wang, Amer Shalaby,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.6020349733674
- License:
- Abstract: Public transit systems play a crucial role in providing efficient and sustainable transportation options in urban areas. However, these systems face various challenges in meeting commuters' needs. On the other hand, despite the rapid development of Large Language Models (LLMs) worldwide, their integration into transit systems remains relatively unexplored. The objective of this paper is to explore the utilization of LLMs in the public transit system, with a specific focus on improving the customers' experience and transit staff performance. We present a general framework for developing LLM applications in transit systems, wherein the LLM serves as the intermediary for information communication between natural language content and the resources within the database. In this context, the LLM serves a multifaceted role, including understanding users' requirements, retrieving data from the dataset in response to user queries, and tailoring the information to align with the users' specific needs. Three transit LLM applications are presented: Tweet Writer, Trip Advisor, and Policy Navigator. Tweet Writer automates updates to the transit system alerts on social media, Trip Advisor offers customized transit trip suggestions, and Policy Navigator provides clear and personalized answers to policy queries. Leveraging LLMs in these applications enhances seamless communication with their capabilities of understanding and generating human-like languages. With the help of these three LLM transit applications, transit system media personnel can provide system updates more efficiently, and customers can access travel information and policy answers in a more user-friendly manner.
- Abstract（参考訳）: 公共交通機関は、都市部において効率的かつ持続可能な交通手段を提供する上で重要な役割を担っている。
しかし、これらのシステムは通勤者のニーズを満たす上で様々な課題に直面している。
一方,世界規模でのLarge Language Models (LLMs) の急速な発展にもかかわらず,そのトランジットシステムへの統合はいまだに未検討である。
本研究の目的は、公共交通機関におけるLCMの利用状況を明らかにすることであり、顧客体験の向上と交通スタッフのパフォーマンス向上に重点を置いている。
本稿では,交通システムにおけるLLMアプリケーション開発のための汎用フレームワークについて述べる。
この文脈では、LLMは、ユーザの要求を理解し、ユーザクエリに応答してデータセットからデータを検索し、ユーザの要求に合わせて情報を調整するなど、多面的な役割を果たす。
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。
Tweet Writerは、ソーシャルメディア上のトランジットシステムアラートの更新を自動化し、Trip Advisorはカスタマイズされたトランジット提案を提供し、Policy Navigatorはポリシークエリに対して明確でパーソナライズされた回答を提供する。
これらのアプリケーションでLLMを活用することで、人間のような言語を理解して生成する能力によってシームレスなコミュニケーションが向上する。
これら3つのLSMトランジットアプリケーションの助けを借りて、トランジットシステムメディア担当者はシステム更新をより効率的に提供でき、顧客はよりユーザフレンドリーな方法で旅行情報やポリシー回答にアクセスすることができる。
関連論文リスト
- 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) - Using Large Language Models in Public Transit Systems, San Antonio as a case study [1.7740414468805545]
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。
論文 参考訳（メタデータ） (2024-06-25T16:32:56Z) - Efficient Prompting for LLM-based Generative Internet of Things [88.84327500311464]
大規模言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示しており、最近、IoT(Internet of Things)アプリケーションにLLMの能力を統合することが研究の注目を集めている。
セキュリティ上の懸念から、多くの機関は最先端の商用LLMサービスへのアクセスを避け、ローカルネットワーク環境でのオープンソースLLMのデプロイと利用を必要としている。
本研究では,LLMを用いた生成IoT(Generative IoT)システムを提案する。
論文 参考訳（メタデータ） (2024-06-14T19:24:00Z) - 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) - On the Multi-turn Instruction Following for Conversational Web Agents [83.51251174629084]
本稿では,ユーザと環境の両方で複数回にまたがる高度なインタラクションを必要とする,対話型Webナビゲーションの新たなタスクを紹介する。
本稿では,メモリ利用と自己回帰技術を用いた自己反射型メモリ拡張計画(Self-MAP)を提案する。
論文 参考訳（メタデータ） (2024-02-23T02:18:12Z) - When Large Language Model Agents Meet 6G Networks: Perception,
Grounding, and Alignment [100.58938424441027]
モバイル端末とエッジサーバの協調を利用した6GネットワークにおけるAIエージェントの分割学習システムを提案する。
提案システムでは,LLMのための新しいモデルキャッシングアルゴリズムを導入し,コンテキストにおけるモデル利用を改善する。
論文 参考訳（メタデータ） (2024-01-15T15:20:59Z) - Large Language Model Enhanced Multi-Agent Systems for 6G Communications [94.45712802626794]
本稿では,自然言語を用いたコミュニケーション関連タスクを解くための,カスタマイズされたコミュニケーション知識とツールを備えたマルチエージェントシステムを提案する。
セマンティック通信システムの設計により,提案方式の有効性を検証した。
論文 参考訳（メタデータ） (2023-12-13T02:35:57Z) - TrafficGPT: Viewing, Processing and Interacting with Traffic Foundation
Models [10.904594811905778]
TrafficGPTはChatGPTと交通基盤モデルの融合である。
大きな言語モデルとトラフィックの専門知識をシームレスに相互運用することで、TrafficGPTは、この領域でAI機能を活用するための新しいアプローチを提供する。
論文 参考訳（メタデータ） (2023-09-13T04:47:43Z) - Recommender AI Agent: Integrating Large Language Models for Interactive
Recommendations [53.76682562935373]
我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。
InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
論文 参考訳（メタデータ） (2023-08-31T07:36:44Z) - MetRoBERTa: Leveraging Traditional Customer Relationship Management Data
to Develop a Transit-Topic-Aware Language Model [3.3421154214189284]
そこで本稿では,オープンエンドテキストフィードバックを関連するトランジット特化トピックに分類可能な,トランジットトピック対応の大規模言語モデル(LLM)を提案する。
まず、半教師付き学習を用いて、6年間の顧客フィードバックのコーパスで検出された11の幅広いトランジットトピックのトレーニングデータセットを作成する。
次に、このデータセットを使用して、RoBERTaアーキテクチャに基づいた言語モデルをトレーニングし、徹底的に評価します。
論文 参考訳（メタデータ） (2023-08-09T15:11:37Z) - Leveraging Personal Navigation Assistant Systems Using Automated Social
Media Traffic Reporting [1.552282932199974]
自然言語処理(NLP)に基づく自動交通警報システムの開発
本稿では,変換器(BERT)言語埋め込みモデルを用いて,関連するトラフィック情報をソーシャルメディアからフィルタリングする。
開発したアプローチは,リアルタイムに交通関連情報を抽出し,ナビゲーション支援アプリケーションのためのアラートに自動的に変換する方法について述べる。
論文 参考訳（メタデータ） (2020-04-21T02:26:06Z)
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。