berita

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Kini, model berukuran besar bisa berfungsi sebagai pemandu wisata pribadi untuk AndaRencanakan rute CitywalkTelah mendapatkan--

Diluncurkan bersama oleh HKU, MIT dan unit lainnyaRENCANA PERJALANAN, menggabungkan LLM dengan pengoptimalan spasial untuk mencapai hasil yang dipersonalisasiPerencanaan rencana perjalanan kota domain terbuka。

Berikan kastanye, pengguna memasukkan "Rencanakan saya rute citywalk yang mencakup 'Ju Fu Chang' dan berakhir di Kuil Jing'an."

Sistem ITINERA segera membuat rute yang berisi beberapa lokasi dan menyediakan teks pengantar yang sesuai.

ITINERA bahkan dapat memahami dan memenuhi kebutuhan yang dipersonalisasi seperti "bar yang cocok untuk dikunjungi bersama pasangan", "tempat suci dua dimensi", dan "titik check-in yang dilewati selebriti internet".

Anda mungkin tidak merasakannya hanya dengan melihatnya saja. Mari kita bandingkan langsung ITINERA (kiri) danGPT-4 CoTrute yang dihasilkan.

Perintah yang sama: "Saya ingin rute sastra yang melewati jembatan dan feri."

dapat dilihat,ITINERA membuat rencana perjalananIni akan melewati beberapa jembatan di sepanjang Sungai Suzhou dan feri Sungai Huangpu, dan berakhir di Toko Buku Sastra Duoyun. Rutenya lebih masuk akal, memusatkan lokasi dalam dua kelompok spasial.

POI (tempat menarik pilihan pribadi) yang dipilih oleh GPT pada gambar di sebelah kanan sama dengan jembatan dan feri yang diminta oleh pengguna.Tidak cukup konsisten , ada juga situasi di mana jalan memutar dan jarak POI terlalu jauh. Selain contoh ini, GPT terkadang berhalusinasi dan menghasilkan POI yang tidak ada.

Singkatnya, ITINERA punyaFitur-fitur berikut：

• Informasi dinamis: pembaruan POI dan aktivitas populer terkini secara real-time
• Personalisasi: Prioritaskan preferensi pribadi daripada hanya atraksi populer
• Kendala yang beragam: Respon yang fleksibel terhadap kebutuhan pengguna yang kompleks dan beragam
• Kecerdasan spasial: Dikombinasikan dengan algoritma optimasi spasial untuk memastikan rute yang masuk akal dan efisien

ITINERA diempat kotaPelatihan dan evaluasi dilakukan terhadap kumpulan data rencana perjalanan (1233 rute kota populer, 7578 POI).

Hasilnya menunjukkan bahwa ini dapat memberikan hasil yang lebih baik daripada perencanaan rencana perjalanan tradisional, penggunaan LLM langsung dan metode lainnya.

Makalah yang relevan telah diikutsertakan dalam KDD Urban Computing Workshop (UrbComp) 2024.

Lima modul utama membentuk ITINERA

Pertanyaan selanjutnya muncul: bagaimana cara melakukannya?

Seperti terlihat pada gambar di bawah, ITINERA terdiri dariLima modul digerakkan oleh model besarkomposisi.

Pertama, Konstruksi Database POI milik Pengguna(UPC)Modul ini mengumpulkan dan membuat konten perjalanan dari platform sosialBasis data tempat tujuan pengguna。

Untuk merencanakan rencana perjalanan yang memenuhi permintaan pengguna, Minta Dekomposisi(RD)Modul ini menafsirkan dan mengatur preferensi pengguna dan mengubahnya menjadi bentuk data terstruktur.

Pengambilan POI berdasarkan preferensi(PPR)Modul akan mencari berdasarkan preferensi pengguna dan mendapatkan tempat menarik yang paling relevan.

Untuk memastikan bahwa rencana perjalanan koheren secara spasial, penulis menggunakan Optimasi Spasial Sadar Cluster(CSO)Modul yang menyaring dan memberi peringkat secara spasial tempat menarik yang diambil dengan memecahkan masalah penjual keliling hierarki.

Terakhir, Pembuatan Rencana Perjalanan(AKU G)Modul ini menggabungkan kumpulan calon titik minat dengan berbagai batasan dan menggunakan model besar untuk menghasilkan rute perjalanan dan deskripsi terkait yang masuk akal secara spasial dan konsisten dengan permintaan pengguna.

Sekarang prinsipnya sudah jelas, bagaimana sebenarnya kinerja ITINERA?

Untuk memahami masalah ini, penulis mengumpulkan kumpulan data rencana perjalanan dari empat kota, termasuk permintaan pengguna, rute rencana perjalanan kota yang sesuai, dan data detail tempat menarik (POI).

Evaluasi didasarkan pada indikator obyektif seperti tingkat penarikan POI (RR), selisih antara jarak total dan jalur terpendek teoritis (AM), jumlah persimpangan dalam rute (OL), dan proporsi POI yang tidak diketahui (FR) .Akurasi POI yang direkomendasikan dan dipersonalisasi、Cocokkan dengan permintaan pengguna,sebaikKewajaran spasial dari rute yang dihasilkan。

Bahkan untuk menyelesaikan aspek-aspek seperti daya tarik tempat menarik dan tingkat kesesuaian permintaan pengguna, dll.tidak dapat diukurUntuk permasalahan tersebut, penulis juga menggunakan LLM untuk secara otomatis mengevaluasi kualitas POI, kualitas rute, dan tingkat kecocokan rencana perjalanan dan permintaan pengguna.

Terlihat bahwa dibandingkan dengan metode lain seperti GPT-3.5, GPT-4 dan GPT-4 CoT, sistem ITINERA memiliki kinerja yang lebih baik pada semua indikator.berkinerja lebih baik。

adaEvaluasi pengguna dan ahliDari segi Kualitas POI, Kualitas Itinerary dan Kecocokan, sistem ITINERA juga mendapat nilai lebih tinggi.

Secara umum, ITINERA dapat secara langsung menghasilkan rencana perjalanan citywalk yang dipersonalisasi dan koheren secara spasial dari permintaan bahasa alami. Ini tidak hanya mengeksplorasi masalah perencanaan rencana perjalanan domain terbuka di era model besar, tetapi juga memberikan ide untuk menggunakan model besar untuk memecahkan masalah kompleks terkait ruang di perkotaan. aplikasi.