論文の概要: Large Language Model-Assisted Preparation of Transportation Management Plans: A Case Study with WisDOT WisTMP System

• arxiv url: http://arxiv.org/abs/2610.10650v1
• Date: Wed, 07 Oct 2026 15:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.601823
• Title: Large Language Model-Assisted Preparation of Transportation Management Plans: A Case Study with WisDOT WisTMP System
• Title（参考訳）: 大規模言語モデルを用いた交通管理計画の作成:WisDOT WisTMPシステムを用いた事例
• Abstract要約: 本稿では,TMPコンテンツ生成を自動化するLarge Language Model (LLM)支援フレームワークを提案する。 このフレームワークは、異なるモデルスケールにわたる複数のオープンソースLLMを微調整し、データセキュリティを確保するためにローカルにデプロイする。
• 参考スコア（独自算出の注目度）: 11.940037353363541
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Work zones are critical yet hazardous components of transportation infrastructure, requiring carefully designed Transportation Management Plans (TMPs) to ensure safety and mobility. However, TMP preparation remains labor-intensive and heavily dependent on practitioner expertise. This paper proposes a Large Language Model (LLM)-assisted framework to automate TMP content generation, leveraging the WisDOT WisTMP system as the application context. The framework fine-tunes multiple open-source LLMs across different model scales and deploys them locally to ensure data security. To support model training, we construct a domain-specific dataset from historical WisTMP documents by converting PDF files into structured question-answer pairs in JSON format. Experimental results show that fine-tuning significantly improves performance across standard text generation metrics. Further section-wise and strategy-level analyses reveal that, while LLMs achieve strong overall performance, they tend to over-generate strategies and struggle to produce project-specific justifications and accurate cost estimates. In addition, scaling from 7B/8B to 14B yields limited gains. These findings demonstrate the potential of LLMs to improve TMP preparation efficiency while highlighting remaining challenges in LLM-assisted TMP development. The source code and demo videos will be publicly available at https://zihaosheng.github.io/TMP-LLM/.
• Abstract（参考訳）: 作業ゾーンは交通インフラの危険要素であり、安全と移動性を確保するために慎重に設計された交通管理計画(TMP)が必要である。 しかし、TMPの準備は労働集約的であり、専門家の専門知識に大きく依存している。 本稿では,WisDOT WisTMPシステムを利用して,TMPコンテンツの自動生成を支援するLarge Language Model (LLM) フレームワークを提案する。 このフレームワークは、異なるモデルスケールにわたる複数のオープンソースLLMを微調整し、データセキュリティを確保するためにローカルにデプロイする。 モデルトレーニングを支援するために,PDFファイルをJSON形式で構造化された問合せ対に変換することにより,過去のWisTMP文書からドメイン固有のデータセットを構築する。 実験結果から,ファインチューニングは標準テキスト生成指標における性能を著しく向上させることが示された。 さらなるセクションワイドおよび戦略レベルの分析により、LSMは全体的なパフォーマンスは高いが、戦略を過剰に生成し、プロジェクト固有の正当化と正確なコスト見積を作成するのに苦労する傾向があることが明らかになった。 さらに、7B/8Bから14Bへのスケーリングでは、利得が制限される。 これらの結果は,LLMによるTMP開発における課題を浮き彫りにして,TMP作成効率を向上させるLLMの可能性を示している。 ソースコードとデモビデオはhttps://zihaosheng.github.io/TMP-LLM/で公開される。

関連論文リスト

• 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)
• TAT-LLM: A Specialized Language Model for Discrete Reasoning over Tabular and Textual Data [73.29220562541204]
  我々は,言語モデル(LLM)の驚くべきパワーを活用して課題を解決することを検討する。 LLaMA2を微調整し,既存のエキスパートアノテートデータセットから自動生成したトレーニングデータを用いてTAT-LLM言語モデルを開発する。
  論文  参考訳（メタデータ） (2024-01-24T04:28:50Z)
• PEMA: An Offsite-Tunable Plug-in External Memory Adaptation for Language Models [6.622419351156256]
  プレトレーニング言語モデル (PLM) は、様々な下流のNLPタスクにおいて顕著な性能を示す。 大量の資源を必要とするため、多くのPLM重みは機密である。 本稿では,PEMA(Plug-in external Memory Adaptation)を紹介する。 すべての重みを必要とせずにファインチューニングを可能にするPEFT (Efficient Fine-Tuning) 法。
  論文  参考訳（メタデータ） (2023-11-14T23:20:51Z)
• FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning [70.38817963253034]
  本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。 我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。 本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
  論文  参考訳（メタデータ） (2023-09-01T09:40:36Z)
• Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
  我々は、教師付き微調整(SFT)の一般的な方法論を含む、文献の体系的なレビューを行う。 また、既存の戦略の欠陥を指摘しながら、SFTの潜在的な落とし穴についても、それに対する批判とともに検討する。
  論文  参考訳（メタデータ） (2023-08-21T15:35:16Z)
• Exploring Parameter-Efficient Fine-Tuning Techniques for Code Generation with Large Language Models [11.845239346943067]
  パラメータ効率のよい微調整(PEFT)は、大規模言語モデル(LLM)をタスク固有のデータに効率的に専門化するための有望なアプローチである。 本研究は,PEFTと量子化を組み合わせることで,より大きなLCMをチューニングし,メモリ使用量を大幅に削減する可能性を明らかにする。
  論文  参考訳（メタデータ） (2023-08-21T04:31:06Z)

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。