ChatPlanner：面向个性化公共交通路线规划的大语言模型框架

# ChatPlanner:用于个性化公共交通路径规划的大型语言模型框架  
来源：https://arxiv.org/html/2606.15315  

Tingting Yang<sup>1</sup>  
School of Engineering and Materials Science, Queen Mary University of London  
Mile End Road, London, E1 4NS, United Kingdom  
t\.yang@qmul\.ac\.uk  

Chenhao Xue<sup>1</sup> <sup>2</sup>  
Department of Engineering Science, University of Oxford  
Parks Road, Oxford, OX1 3PJ, United Kingdom  
chenhao\.xue@eng\.ox\.ac\.uk  

Jun Chen<sup>1</sup>  
School of Engineering and Materials Science, Queen Mary University of London  
Mile End Road, London, E1 4NS, United Kingdom  
jun\.chen@qmul\.ac\.uk  
通讯作者  

###### 摘要  

在公共交通系统中，个性化路径规划仍然具有挑战性，因为难以捕捉并整合多样化的用户偏好到路径规划算法中。本文提出ChatPlanner，一种利用大型语言模型（LLM）实现偏好感知的公共交通路径规划的新框架。我们的方法采用微调的LLM结合检索增强生成（RAG），从自然语言查询中提取路径规划参数并解释细微的用户偏好，随后将这些偏好整合到公共交通路径规划算法的目标函数中。本研究设计了包含八种角色和五种场景的偏好感知数据集，为微调和RAG建立评分标准。我们进行了三个实验，分别验证解决方案的可行性、路径信息与偏好的提取效果，以及解决方案集的质量和完整性。结果表明，ChatPlanner能够可靠地生成可行的解决方案。微调强制执行所需的输出结构并学习通用偏好模式，而RAG提供查询特定的上下文，以解决表述不精确或对话式表达的问题，并校准连续分数。两者结合在路径信息提取和用户偏好解释方面达到最高准确率。基于选定案例研究的结果表明，通过捕捉用户偏好，ChatPlanner在现有路径规划器忽略的不同维度上识别出有价值的解决方案，生成更具价值的备选路径。本研究为将自然语言理解整合到交通优化中建立了新范式。  

*关键词*  
公共交通路径规划 · 用户偏好 · RAPTOR算法 · 个性化交通 · 多准则优化 · 城市出行 · 大型语言模型  

## 1 引言  

根据美国联邦运输管理局的定义，公共交通是指由公共或私营实体运营的公交、铁路或其他交通工具，定期、持续地向公众提供一般或特殊服务（Daganzo and Ouyang, 2019 (https://arxiv.org/html/2606.15315#bib.bib13)）。这些系统的特点是采用大容量车辆，按照预定路线和时间表运行。它们是全球主要城市（尤其是人口密集地区）城市出行的基础（Hörcher and Tirachini, 2021 (https://arxiv.org/html/2606.15315#bib.bib108)）。公共交通路径规划旨在识别现有交通网络中可行的乘客路径。公共交通路径规划算法为路径规划应用（如Google Maps、Apple Maps和Citymapper）提供决策支持。然而，大多数商业行程规划器仍然主要针对旅行时间和换乘次数等固定目标进行优化。这些规划器无法直接解释用户偏好，并将其动态转化为额外目标（Apple Inc., 2025 (https://arxiv.org/html/2606.15315#bib.bib98)；Google, 2025 (https://arxiv.org/html/2606.15315#bib.bib100)；Citymapper, 2025 (https://arxiv.org/html/2606.15315#bib.bib99)）。旅行者的偏好在时间敏感性、出行目的、可达性、可负担性和安全感等方面存在异质性。通勤者通常优先考虑时间效率（Mackie et al., 2001 (https://arxiv.org/html/2606.15315#bib.bib45)），休闲旅行者往往愿意牺牲时间换取行程质量（Zhou et al., 2024 (https://arxiv.org/html/2606.15315#bib.bib46)），而行

动不便的乘客需要无障碍通道（Ceccato et al., 2020 (https://arxiv.org/html/2606.15315#bib.bib32)）。低收入人群、非驾驶者、儿童和老年人通常依赖公共交通以获得可负担性、安全性和便利性（Fan, 2004 (https://arxiv.org/html/2606.15315#bib.bib103)），而安全问题（尤其是女性、儿童和学生）也会影响路径选择（伦敦市长, 2023 (https://arxiv.org/html/2606.15315#bib.bib101)）。由于公共交通对许多群体日常生活的至关重要，系统性能对幸福感具有切实影响（Heaps et al., 2021 (https://arxiv.org/html/2606.15315#bib.bib48)；Molner et al., 2023 (https://arxiv.org/html/2606.15315#bib.bib47)）。因此，将用户偏好纳入路径规划算法对于满足多样化需求和改善整体出行体验至关重要。当通过那些商业行程规划器的用户界面捕捉特定偏好时，这些偏好通常被用作事后过滤器。也就是说，解决方案集和寻找解决方案的过程保持不变，只是路径按偏好重新排序。具有多个冲突目标的公共交通路径规划问题旨在为旅行者找到帕累托最优的行程（Delling et al., 2015 (https://arxiv.org/html/2606.15315#bib.bib107)；Fan and Mumford, 2010 (https://arxiv.org/html/2606.15315#bib.bib106)）。然而，将许多冲突的偏好作为各种目标函数纳入公共交通路径规划算法，可能导致高计算成本，并因向最终用户呈现过多不必要的解决方案而导致信息集群。除了固定目标的局限性外，一个更根本的问题在于偏好最初是如何被捕捉的。带有滑块或排名小部件的结构化偏好界面可以让旅行者直接对可达性或安全性等标准进行评分。然而，公共交通路径规划研究表明，用户很难通过看似更可靠的输入来准确表达他们对每个标准的偏好（Wang et al., 2021 (https://arxiv.org/html/2606.15315#bib.bib35)；Huang et al., 2024 (https://arxiv.org/html/2606.15315#bib.bib37)）。这样的界面面临固有的权衡：简化但更可靠的方法需要较少的认知努力但表达力较弱，而更具表达力的方法则需要更大的认知努力并降低可用性（Pommeranz et al., 2012 (https://arxiv.org/html/2606.15315#bib.bib44)）。然而，即使偏好维度较低，要求用户分配数值重要性分数也会造成认知不匹配。旅行者自然地从情境背景（例如，“我推着婴儿车，而且正值高峰时段”）角度思考，而不是对偏好进行抽象评级（Kostric et al., 2024 (https://arxiv.org/html/2606.15315#bib.bib38)）。鉴于上述情况，本研究思考了三个研究问题：(i) 什么构成一种有效、系统的方法，用于构建一个有用的框架来识别旅行者的偏好？(ii) 所提出的框架如何更好地理解不同偏好下的旅行者请求？(iii) 所提出的工作在理论和实践方面表现如何？为了解决上述挑战，我们提出了ChatPlanner，一个用于个性化公共交通路径规划的大型语言模型框架。在此背景下，“Chat”对应于LLM提供的对话交互和自然语言处理功能，“Planner”应用了多准则轮次公共交通路径规划（MC-RAPTOR）算法（Delling et al., 2015 (https://arxiv.org/html/2606.15315#bib.bib107)）。实际上，ChatPlanner提供了一个灵活的对话界面，解释用户偏好并返回多样化的可行路径集。方法论上，一个微调的交通领域LLM将自然语言查询转化为行程请求和用户偏好，基于除旅行时间和换乘次数外的四个额外标准：(i) 无障碍水平，(ii) 拥挤水平，(iii) 安全水平，(iv) 观光水平。LLM估计这些标准的重要性，使框架能够为旅行者选择最相关的标准。路径规划器将旅行者的这些偏好纳入多目标搜索，并在路径规划过程中选择可能不同的目标函数。这些偏好感知的目标从而在候选路径上产生不同的帕累托前沿，将个性化用户偏好与交通路径规划算法结合起来。该框架的贡献在于：首先，研究了最先进的LLM模型在生成公共交通路径规划解决方案方面的性能，提供了关于可行性、完整性和正确性的见解。其次，本文介绍了ChatPlanner，一个将LLM与公共交通路径规划算法以及偏好感知数据集相结合的框架。本研究设计了用于微调和RAG的数据集，具有输入-输出结构，并通过八个不同的角色和五个场景整合偏好信息，以建立偏好评分标准。第三，本研究评估了所提出的框架下RAG和微调的LLM在提取路径信息和解释用户偏好方面的表现，并与通用基础LLM模型进行了比较。评估表明，微调对于准确解析起点、目的地和请求到达时间至关重要，而微调与RAG的结合最能提高偏好解释的准确性。特别是，RAG的上下文示例确保了偏好评分的一致性和准确性，与设计的评分标准保持一致。最后，本研究通过案例研究证实，通过系统地捕捉用户偏好，该框架生成了现有路径规划器忽略的更有价值的路径备选方案。本文的其余部分组织如下。第2节描述了相关的经典公共交通路径规划算法、多目标路径规划算法、个性化路径推荐系统、LLM在交通中的应用以及LLM在公共交通路径规划中的应用。第3节详细介绍了所提出的ChatPlanner框架。第4节介绍了测试解析性能、解决方案可行性和完整性以及解决方案多样性分析的实验，并讨论了本研究的主要发现以及学术和工业意义。最后，第5节给出了结论。

## 2 文献综述

公共交通系统通常被称为公共交通和大众运输（ScienceDirect Topics, (https://arxiv.org/html/2606.15315#bib.bib9)）。在公共交通中，公交、铁路和航空交通网络设计在优化中起着关键作用（Kepaptsoglou and Karlaftis, 2009 (https://arxiv.org/html/2606.15315#bib.bib8)；Cipriani et al., 2012 (https://arxiv.org/html/2606.15315#bib.bib7)；Liang et al., 2025 (https://arxiv.org/html/2606.15315#bib.bib6)）。Kepaptsoglou和Karlaftis（2009 (https://arxiv.org/html/2606.15315#bib.bib8)）系统地回顾了交通路线网络设计问题的研究，探讨了高效设计公共交通网络以增强流动性同时减少拥堵和污染的挑战。Liang等人（2025 (https://arxiv.org/html/2606.15315#bib.bib6)）提出了一种基于目标空间分解的新型多目标进化算法，用于解决交通网络设计和频率设置问题。网络设计问题决定了公交、地铁或铁路需要在特定频率下经停的车站。相比之下，公共交通路径规划旨在给定时刻表的情况下，选择旅行者从起点到终点需要经过的车站。早期的公共交通路径规划方法通过将时刻表建模为时间展开图或时间依赖图，采用经典的最短路径算法（尤其是Dijkstra算法）（Pyrga et al., 2008 (https://arxiv.org/html/2606.15315#bib.bib15)；Disser et al., 2008 (https://arxiv.org/html/2606.15315#bib.bib14)）。Delling等人（2015 (https://arxiv.org/html/2606.15315#bib.bib107)）引入了轮次公共交通优化路由器（RAPTOR），通过检查已标记的路线并以轮次方式逐步探索连接路径来实现，识别该线路最早可搭乘的行程。与之前基于Dijkstra的图方法不同，RAPTOR以轮次方式运行，每轮最多处理每条路线一次，使其更简单、更快。MC-RAPTOR是多准则轮次公共交通优化路由器，是RAPTOR的多准则扩展，用于计算公共交通网络中的帕累托最优行程，以轮次方式最小化到达时间、换乘次数以及任何额外标准。在每次迭代中，它确定具有n-1次换乘的行程的最早到达时间，其中n对应当前迭代。多个目标值保存在不同的标签中。并非所有公共交通路径规划问题都是NP难问题，但当需要考虑多个目标时，它们就变成了NP难问题。关于旅行者偏好，Jakob等人（2014 (https://arxiv.org/html/2606.15315#bib.bib5)）提出了一种先进的行程规划器，该规划器结合了所有类型的城市出行服务，同时根据每个用户过去的出行选择和偏好进行个性化推荐。Ceder和Jiang（2019 (https://arxiv.org/html/2606.15315#bib.bib4)）考虑了多种旅行者偏好，包括时间、成本和便利性，并在不同标准下执行多次搜索以生成备选路径，每条路径针对不同的属性组合进行优化，以提供个性化选项。Zografos等人（2010 (https://arxiv.org/html/2606.15315#bib.bib3)）通过调查捕捉旅行者的需求来确定旅行者偏好，然后分析这些需求以确定个性化行程规划服务的需求。Ludwig等人（2009 (https://arxiv.org/html/2606.15315#bib.bib2)）提出了ROSE，一个将活动推荐与公共交通导航相结合的移动应用，使用A*算法融入多准则用户偏好以实现最优公共交通路径规划。Bajaj等人（2016 (https://arxiv.org/html/2606.15315#bib.bib1)）开发了一个个性化路径推荐系统，通过参与式感知的Android应用识别通勤者的偏好，该应用在用户公共交通出行过程中收集便利性反馈，并将这些反馈存储在知识库中，以提供个性化路径推荐。近年来，提出了一种新范式，旨在创建更绿色、更安全、更具包容性的未来交通（Lin et al., 2023 (https://arxiv.org/html/2606.15315#bib.bib12)；Shamsuddoha et al., 2025 (https://arxiv.org/html/2606.15315#bib.bib11)）。这种新范式体现为交通5.0，它采用物联网、人工智能和数据分析等新兴技术（Lin et al., 2023 (https://arxiv.org/html/2606.15315#bib.bib12)；webdemia, 2024 (https://arxiv.org/html/2606.15315#bib.bib10)）。LLM是一种AI模型，它学习...