arXiv cs.AI· Eunseung Lee, Gyeongjun Kim, Keemin Sohn·· 3 天前AI 评分24
大语言模型借助可微用户均衡层实现交通规划
Large Language Model Assisted Transportation Planning through a Differentiable User Equilibrium Layer
AI 导读
研究提出一套人机协同交通规划框架，将大语言模型、MCP 接口、开源交通规划引擎 AequilibraE 与可微用户均衡（UE）分配层结合，让非专家用户以自然语言完成网络分析与方案优化。该可微 UE 层通过对 Beckmann 交通分配问题的 KKT 条件直接求导实现，并已在基于观测流量的行驶时间函数标定和预算约束下的网络设计两项任务中演示。
正文 · AI 翻译
摘要：交通规划传统上需要网络建模、交通分配和优化方面的深厚专业知识。因此，诸如网络设计、容量扩展和模型校准等战略分析对于非专家决策者而言仍然难以企及。大语言模型（LLM）的最新进展为弥合这一差距提供了机会，使人们能够以自然语言与复杂的交通规划工具进行交互。然而，现有的基于 LLM 的系统主要充当仿真软件的接口，缺乏高效搜索、评估和优化交通方案的能力。本研究提出了一种人机协同的交通规划集成框架，将大语言模型、模型上下文协议（MCP）接口、开源交通规划引擎（AequilibraE）以及可微用户均衡（UE）分配层相结合。该框架允许非专家用户执行网络分析并改进优化方案。通过直接对 Beckmann 交通分配问题的 Karush-Kuhn-Tucker（KKT）条件求导，开发了可微 UE 层。所提出的框架通过两个具有代表性的规划任务进行了演示：根据观测交通流量校准出行时间函数，以及预算约束下的网络设计。这些示例说明了可微交通模型与 LLM 智能体如何共同推动交通规划的民主化，并大幅降低领域专业知识与交通决策之间的壁垒。
| Subjects: | 人工智能（cs.AI） |
| Cite as: | arXiv:2610.16140 [cs.AI] |
| （或 arXiv:2610.16140v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16140 由 DataCite 颁发的 arXiv DOI（待注册） |
Submission history
发件人：Keemin Sohn [查看电子邮件]
[v1]
2026年10月12日星期一 03:59:40 UTC（1,429 KB）
来源：arXiv cs.AI · arxiv.org