論文の概要: ChatPlanner: A Large Language Model Framework for Personalized Public Transit Routing

• arxiv url: http://arxiv.org/abs/2606.15315v1
• Date: Sat, 13 Jun 2026 14:14:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.345798
• Title: ChatPlanner: A Large Language Model Framework for Personalized Public Transit Routing
• Title（参考訳）: ChatPlanner: パーソナライズされたパブリックトランジットルーティングのための大規模言語モデルフレームワーク
• Authors: Tingting Yang, Chenhao Xue, Jun Chen,
• Abstract要約: ChatPlannerは、プライオリティを意識したパブリックトランジットルーティングを可能にする新しいフレームワークである。 提案手法では、ルーティングパラメータを抽出し、ユーザの好みを解釈するために、Retrieval-Augmented Generation (RAG) を用いた微調整 LLM を用いる。
• 参考スコア（独自算出の注目度）: 9.546300817271831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized public transit routing in public transit systems remains challenging due to the difficulty of capturing and integrating diverse user preferences into routing algorithms. This paper presents ChatPlanner, a novel framework that leverages Large Language Models (LLMs) to enable preference aware public transit routing. Our approach employs fine-tuned LLMs with Retrieval-Augmented Generation (RAG) to extract routing parameters and interpret nuanced user preferences from natural language queries, subsequently integrating these preferences into the objective function of a public transit routing algorithm. This study designs preference aware datasets incorporating eight personas and five contexts to establish scoring standards for both fine-tuning and RAG. This work conducted three experiments to validate the solutions' feasibility, extraction of routing information and preferences, and solution set quality and completeness. Results demonstrate that ChatPlanner generates feasible solutions reliably. Fine-tuning enforces the required output structure and learns general preference patterns, while RAG provides query-specific context to resolve imprecise or conversational expressions and calibrate continuous scores. The combination of both achieves the highest accuracy in routing information extraction and user preference interpretation. Results based on selected case studies show that by capturing user preferences, ChatPlanner identifies valuable solutions across different dimensions that existing route planners overlook, generating more valuable route alternatives. This research establishes a new paradigm for integrating natural language understanding into transportation optimization.
• Abstract（参考訳）: 公共交通機関におけるパーソナライズされた公共交通機関のルーティングは、多様なユーザの好みをルーティングアルゴリズムに取り込み統合することが困難であるため、依然として困難である。 本稿では,Large Language Models (LLMs) を利用する新しいフレームワークであるChatPlannerについて述べる。 提案手法では,ルーティングパラメータを抽出し,自然言語クエリからニュアンスされたユーザ嗜好を解釈するために,Retrieval-Augmented Generation (RAG) を用いた微調整 LLM を用いて,これらの選好をパブリックトランジットルーティングアルゴリズムの目的関数に統合する。 本研究では、8つのペルソナと5つのコンテキストを組み込んだ意識的データセットを設計し、微調整とRAGの両方のスコアリング基準を確立する。 本研究は,ソリューションの実現可能性,ルーティング情報と嗜好の抽出,およびソリューションセットの品質と完全性を検証するための3つの実験を行った。 結果はChatPlannerが確実に実現可能なソリューションを生成することを示す。 ファインチューニングは要求される出力構造を強制し、一般的な嗜好パターンを学習する一方、RAGは不正確あるいは会話的な表現を解決し、連続的なスコアを校正するクエリ固有のコンテキストを提供する。 両者の組み合わせは、ルーティング情報抽出とユーザ好みの解釈において、最高の精度を達成する。 選択されたケーススタディに基づいて、ChatPlannerは、ユーザの好みをキャプチャすることで、既存のルートプランナが見落としているさまざまな次元にわたる価値あるソリューションを特定し、より価値のあるルート代替物を生成する。 本研究は、自然言語理解を輸送最適化に統合するための新しいパラダイムを確立する。

関連論文リスト

• Route Before Retrieve: Activating Latent Routing Abilities of LLMs for RAG vs. Long-Context Selection [57.3886742625188]
  Pre-Routeは、応答前に構造化推論を実行するプロアクティブなルーティングフレームワークである。 本研究は, (i) LLMは, ガイドラインを確実に適用可能な遅延ルーティング能力を有すること, (ii) 線形プローブにより, 表現空間における最適ルーティングの分離性を高めること, (iii) 蒸留により, この推論構造を, 軽量展開のためのより小さなモデルに伝達すること,の3つの重要な知見を示す。
  論文  参考訳（メタデータ） (2026-05-11T09:10:55Z)
• OVerSeeC: Open-Vocabulary Costmap Generation from Satellite Images and Natural Language [11.384592553913778]
  本稿では,この問題をInterpret--Synthesize:iに分解するゼロショットモジュラーフレームワークを提案する。 我々はOVerSeeCがランク付けや構成の好みを処理し,多様な領域にまたがる人力トラジェクトリと整合した経路を生成することを示す。
  論文  参考訳（メタデータ） (2026-02-20T20:49:07Z)
• Beyond Shortest Path: Agentic Vehicular Routing with Semantic Context [0.3767731868757604]
  本稿では,従来のパスフィニングアルゴリズムを文脈推論で拡張するハイブリッドエージェントアシスタントであるPAVeを紹介し,評価する。 現実的な都市シナリオのベンチマークでは、PAVeは複雑なユーザインテントを使って適切なルート修正に成功した。 従来のルーティングアルゴリズムとLLMに基づくセマンティック推論層を組み合わせることは、都市移動最適化のためのパーソナライズされた適応的でスケーラブルなソリューションを作成するための堅牢で効果的なアプローチである、と結論付けている。
  論文  参考訳（メタデータ） (2025-11-06T15:37:11Z)
• Constraint-Aware Route Recommendation from Natural Language via Hierarchical LLM Agents [21.473451572179552]
  RouteLLMは階層的なマルチエージェントフレームワークで、自然言語の意図を制約対応ルートに基礎付ける。 まず、ユーザクエリをPOI、パス、制約を含む構造化インテントに解析する。 最終検証エージェントは、制約満足度を確保し、解釈可能な理論的根拠で最終経路を生成する。
  論文  参考訳（メタデータ） (2025-10-07T16:03:57Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• LLMAP: LLM-Assisted Multi-Objective Route Planning with User Preferences [31.10423199218523]
  大規模言語モデル(LLM)の台頭により、リッチなユーザ目標を含む新たな研究領域を自然言語駆動で計画するルートが生まれている。 本稿では,自然言語を理解し,タスクを識別し,ユーザの好みを抽出するLLM-asタスクを提案する。 世界中の14の国と27の都市で、様々な複雑さでサンプリングされた1000のルーティングプロンプトを用いて広範な実験を行っている。
  論文  参考訳（メタデータ） (2025-09-14T02:30:19Z)
• Token-Level Prompt Mixture with Parameter-Free Routing for Federated Domain Generalization [51.562474873972086]
  Federated Domain Generalization (FedDG)は、異種データを持つ分散クライアントからグローバルに一般化可能なモデルを学ぶことを目的としている。 近年の研究では、単一のグローバルなプロンプトを学習することで、FedDGの視覚言語モデル(VLM)を適応させる素早い学習が導入されている。 本稿では,FedDGのためのパラメータフリールーティングフレームワークであるTRIPを提案する。
  論文  参考訳（メタデータ） (2025-04-29T11:06:03Z)
• To the Globe (TTG): Towards Language-Driven Guaranteed Travel Planning [54.9340658451129]
  To the Globe(TTG)は、ユーザから自然言語要求を受け取り、それをシンボリックフォームに変換するリアルタイムのデモシステムである。 システム全体の応答に5秒を要し、保証されたイテナリでユーザ要求に応答する。 ユーザによる評価では、TTGは生成した繰り返しで35-40%のネットプロモータースコア(NPS)を一貫して達成する。
  論文  参考訳（メタデータ） (2024-10-21T19:30:05Z)
• Guiding Large Language Models via Directional Stimulus Prompting [114.84930073977672]
  我々は,特定の所望の出力に対して,ブラックボックス大言語モデル(LLM)を導くための新しいフレームワークであるDirectional Stimulus Promptingを紹介する。 LLMを直接調整するのではなく、小さな調整可能なポリシーモデルを用いて各入力インスタンスに対して補助的な指向性刺激プロンプトを生成する。
  論文  参考訳（メタデータ） (2023-02-22T17:44:15Z)
• Learn-n-Route: Learning implicit preferences for vehicle routing [9.434400627011108]
  ルート計画(またはルーティング)を手動で作成する際に、人間のプランナーが有する暗黙の好みをルーティングエンジンが学習する車両ルーティングの学習意思決定支援システムについて検討する。 目標は、車両ルーティングシステムの距離ベースの客観的基準の上にこれらの主観的な好みを使用することです。
  論文  参考訳（メタデータ） (2021-01-11T14:57:46Z)

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。