論文の概要: Exploring the Potential of Large Language Models in Public Transportation: San Antonio Case Study

• arxiv url: http://arxiv.org/abs/2501.03904v1
• Date: Tue, 07 Jan 2025 16:18:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:50:47.971495
• Title: Exploring the Potential of Large Language Models in Public Transportation: San Antonio Case Study
• Title（参考訳）: 公共交通機関における大規模言語モデルの可能性を探る:サンアントニオケーススタディ
• 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。
• 参考スコア（独自算出の注目度）: 1.7740414468805545
• License:
• Abstract: The integration of large language models (LLMs) into public transit systems presents a transformative opportunity to enhance urban mobility. This study explores the potential of LLMs to revolutionize public transportation management within the context of San Antonio's transit system. Leveraging the capabilities of LLMs in natural language processing and data analysis, we investigate their capabilities to optimize route planning, reduce wait times, and provide personalized travel assistance. By utilizing the General Transit Feed Specification (GTFS) and other relevant data, this research aims to demonstrate how LLMs can potentially improve resource allocation, elevate passenger satisfaction, and inform data-driven decision-making in transit operations. A comparative analysis of different ChatGPT models was conducted to assess their ability to understand transportation information, retrieve relevant data, and provide comprehensive responses. Findings from this study suggest that while LLMs hold immense promise for public transit, careful engineering and fine-tuning are essential to realizing their full potential. San Antonio serves as a case study to inform the development of LLM-powered transit systems in other urban environments.
• Abstract（参考訳）: 公共交通システムへの大型言語モデル(LLM)の統合は、都市移動性を高めるための変革的な機会を提供する。 本研究では,サンアントニオの交通システムにおいて,公共交通機関の経営に革命をもたらす LLM の可能性を探る。 自然言語処理とデータ解析におけるLLMの機能を活用し,経路計画の最適化,待ち時間短縮,パーソナライズされた旅行支援機能について検討する。 本研究は,ジェネラル・トランジット・フィード・スペック(GTFS)およびその他の関連データを利用して,LCMが資源配分を改善し,乗客満足度を高め,交通業務におけるデータ駆動型意思決定を通知する方法を実証することを目的とする。 異なるChatGPTモデルの比較分析を行い、輸送情報を理解し、関連するデータを検索し、包括的な応答を提供する能力を評価した。 この研究からわかったことは、LSMは公共交通機関にとって大きな可能性を秘めている一方で、注意深いエンジニアリングと微調整は、その潜在能力をフルに実現するために欠かせないものであることを示唆している。 サンアントニオは、他の都市環境におけるLSMを利用した交通システムの開発を知らせるケーススタディとして機能している。

関連論文リスト

• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• 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)
• Federated Large Language Models: Current Progress and Future Directions [63.68614548512534]
  本稿では,LLM(FedLLM)のフェデレーション学習について調査し,最近の進歩と今後の方向性を明らかにする。 ファインチューニングと迅速な学習という2つの重要な側面に注目し、既存の作業と関連する研究課題について議論する。
  論文  参考訳（メタデータ） (2024-09-24T04:14:33Z)
• Beyond Words: Evaluating Large Language Models in Transportation Planning [0.0]
  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。
  論文  参考訳（メタデータ） (2024-09-22T16:20:00Z)
• 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)
• 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)
• Reliable, Adaptable, and Attributable Language Models with Retrieval [144.26890121729514]
  パラメトリック言語モデル(LM)は大量のWebデータに基づいて訓練されている。 幻覚、新しいデータ分布への適応の困難、妥当性の欠如など、実践的な課題に直面している。 我々は、次世代のLMとしてパラメトリックLMを置き換えるための検索拡張LMを提唱する。
  論文  参考訳（メタデータ） (2024-03-05T18:22:33Z)
• 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)
• 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)
• Berlin V2X: A Machine Learning Dataset from Multiple Vehicles and Radio Access Technologies [56.77079930521082]
  我々は,MLに基づく多種多様な研究への道を開くための詳細な測定キャンペーンを実施してきた。 得られたデータセットは、携帯電話(と2つの異なるオペレーター)とサイドリンク無線アクセス技術の両方のために、様々な都市環境にまたがるGPS位置の無線測定を提供する。 私たちは、MLが克服しなければならない課題と、MLが活用できる機能について、データの初期分析を提供しています。
  論文  参考訳（メタデータ） (2022-12-20T15:26:39Z)
• 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。