論文の概要: Large Language Model Assisted Transportation Planning through a Differentiable User Equilibrium Layer

• arxiv url: http://arxiv.org/abs/2610.16140v1
• Date: Mon, 12 Oct 2026 03:59:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.303505
• Title: Large Language Model Assisted Transportation Planning through a Differentiable User Equilibrium Layer
• Title（参考訳）: 微分可能なユーザ平衡層を用いた大規模言語モデルによる交通計画支援
• Abstract要約: 本研究では,大規模な言語モデル,MCPインターフェース,オープンソーストランスポート計画エンジン(AequilibraE)と差別化可能なユーザ均衡(UE)割り当てレイヤを組み合わせた,統合型ヒューマンAIトランスポート計画フレームワークを提案する。 提案手法は,観測された交通量からの走行時間関数の校正と,予算制約下でのネットワーク設計という2つの代表的な計画課題を通じて実証される。
• 参考スコア（独自算出の注目度）: 1.4783646973333087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transportation planning has traditionally required substantial expertise in network modeling, traffic assignment, and optimization. As a result, strategic analyses such as network design, capacity expansion, and model calibration remain inaccessible to non-expert decision makers. Recent advances in large language models (LLMs) provide an opportunity to bridge this gap by enabling natural-language interaction with complex transportation planning tools. However, existing LLM-based systems primarily serve as interfaces to simulation software and lack the ability to efficiently search, evaluate, and optimize transportation solutions. This study proposes an integrated human-AI transportation planning framework that combines a large language model, a model context protocol (MCP) interface, an open-source transportation planning engine (AequilibraE), and a differentiable user equilibrium (UE) assignment layer. The framework allows non-expert users to execute network analyses and improve solutions for optimization. A differentiable UE layer is developed by directly differentiating the Karush-Kuhn-Tucker (KKT) conditions of the Beckmann traffic assignment problem. The proposed framework is demonstrated through two representative planning tasks: calibration of travel time functions from observed traffic counts and network design under budget constraints. The examples illustrate how differentiable transportation models and LLM agents can jointly democratize transportation planning and substantially reduce barriers between domain expertise and transportation decision making.
• Abstract（参考訳）: 交通計画は伝統的に、ネットワークモデリング、交通割り当て、最適化にかなりの専門知識を必要としてきた。 その結果,ネットワーク設計やキャパシティ拡張,モデルキャリブレーションといった戦略的分析は,非専門家の意思決定者にとって利用できないままとなった。 大規模言語モデル(LLM)の最近の進歩は、複雑な交通計画ツールとの自然言語インタラクションを可能にすることによって、このギャップを埋める機会を提供する。 しかし、既存のLLMベースのシステムは、主にソフトウェアをシミュレーションするためのインタフェースとして機能し、輸送ソリューションを効率的に検索、評価、最適化する能力が欠如している。 本研究では,大規模な言語モデル,MCPインターフェース,オープンソーストランスポート計画エンジン(AequilibraE),差別化可能なユーザ均衡(UE)割り当てレイヤを組み合わせた,統合型ヒューマンAIトランスポート計画フレームワークを提案する。 このフレームワークでは、熟練していないユーザがネットワーク分析を実行し、最適化のためのソリューションを改善することができる。 ベックマン交通割当問題のKKT条件を直接微分することで、差別化可能なUE層を開発する。 提案手法は,観測された交通量からの走行時間関数の校正と,予算制約下でのネットワーク設計という2つの代表的な計画課題を通じて実証される。 この例は、異なる輸送モデルとLLMエージェントが共同で交通計画の民主化を行い、ドメインの専門知識と交通意思決定の間の障壁を大幅に減らす方法を示している。

関連論文リスト

• A Collaborative Multi-Modality Interaction for VLA-based End-to-End Autonomous Driving [96.81243316566764]
  VLA(Vision-Language-Action)モデルは、エンドツーエンドの自動運転の強力なパラダイムとして登場した。 マルチモーダリティインタラクションと多軌道計画と最適化を組み合わせた,堅牢なVLAベースのエンドツーエンド自動運転システムを提案する。
  論文  参考訳（メタデータ） (2026-08-21T09:06:16Z)
• PILOT: Planning via Internalized Latent Optimization Trajectories for Large Language Models [51.43746425777865]
  大規模言語モデル(LLM)は、しばしばグローバル戦略を定式化する能力に欠けており、長い水平タスクにおけるエラーの伝播につながる。 PILOTは,大規模モデルの戦略的監視を本質的な潜伏誘導に内部化するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T12:38:56Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• Integrating Large Language Models with Network Optimization for Interactive and Explainable Supply Chain Planning: A Real-World Case Study [0.45687771576879593]
  システムブリッジは、複雑なオペレーションリサーチアウトプットとビジネスステークホルダーの理解のギャップを埋めます。 システムは、自然言語の要約、文脈の可視化、および調整された重要なパフォーマンス指標を生成する。 ケーススタディは、ストックアウトを防止し、コストを削減し、サービスレベルを維持することによって、システムが計画結果をどのように改善するかを示す。
  論文  参考訳（メタデータ） (2025-08-29T13:34:55Z)
• Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap [51.198001060683296]
  大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。 LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。 それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
  論文  参考訳（メタデータ） (2025-03-27T11:56:27Z)
• CoLLMLight: Cooperative Large Language Model Agents for Network-Wide Traffic Signal Control [7.0964925117958515]
  交通信号制御(TSC)は,交通流の最適化と混雑緩和によって都市交通管理において重要な役割を担っている。 既存のアプローチでは、エージェント間の調整に必要な問題に対処できない。 TSCのための協調LLMエージェントフレームワークであるCoLLMLightを提案する。
  論文  参考訳（メタデータ） (2025-03-14T15:40:39Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [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。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• Synthetic Participatory Planning of Shard Automated Electric Mobility Systems [0.0]
  本稿では,大規模言語モデル(LLM)を批判的に活用してデジタルアバターを作成する,新しい合成参加手法を提案する。 これらの調整可能なエージェントは、目標を共同で識別し、SAEMS代替案を構想し、評価し、リスクと制約の下で実施をストラテジズする。
  論文  参考訳（メタデータ） (2024-04-18T16:51:23Z)

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。