noticias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Ahora, los modelos grandes pueden servirle como guías turísticos privados.Planificar una ruta CitywalkConsiguió--

Lanzado conjuntamente por HKU, MIT y otras unidadesITINERARIO, combinando LLM con optimización espacial para lograr personalizadoPlanificación de itinerarios de ciudades de dominio abierto。

regala una castaña, el usuario ingresa "Planifícame una ruta de paseo por la ciudad que incluya 'Ju Fu Chang' y termine en el templo Jing'an".

El sistema ITINERA generó inmediatamente una ruta que contenía varios lugares y proporcionó el texto introductorio correspondiente.

ITINERA puede incluso comprender y satisfacer necesidades personalizadas como "bares aptos para ir en pareja", "lugares sagrados bidimensionales" y "puntos de control por los que pasan celebridades de Internet".

Puede que no lo sientas con solo mirarlo. Comparemos directamente ITINERA (izquierda) y.GPT-4 CoTruta generada.

El mismo mensaje: "Quiero una ruta literaria que pase por puentes y transbordadores".

puede ser visto,Itinerario generado por ITINERAPasará por varios puentes a lo largo del río Suzhou y el ferry del río Huangpu, y terminará en la librería literaria Duoyun. La ruta es más razonable, concentrando las ubicaciones en dos grupos espaciales.

Los PDI (puntos de interés preferidos personalmente) seleccionados por GPT en la imagen de la derecha son los mismos que el puente y el ferry solicitados por el usuario.No del todo consistente , también hay situaciones en las que los desvíos y las distancias de los puntos de interés son demasiado grandes. Además de este ejemplo, GPT a veces alucina y genera puntos de interés que no existen.

En resumen, ITINERA tieneLas siguientes características：

• Información dinámica: actualizaciones en tiempo real de puntos de interés y actividades populares actuales
• Personalización: priorice las preferencias personales en lugar de solo las atracciones populares
• Restricciones diversas: respuesta flexible a necesidades complejas y diversas de los usuarios
• Inteligencia espacial: combinada con algoritmos de optimización espacial para garantizar rutas razonables y eficientes.

ITINERA encuatro ciudadesSe llevaron a cabo capacitación y evaluación sobre el conjunto de datos de itinerarios de viaje (1233 rutas urbanas populares, 7578 puntos de interés).

Los resultados muestran que puede producir mejores resultados que la planificación de itinerarios tradicional, el uso directo de LLM y otros métodos.

Los artículos relevantes se han incluido en KDD Urban Computing Workshop (UrbComp) 2024.

Cinco grandes módulos conforman ITINERA

Surge la siguiente pregunta: ¿cómo hacerlo?

Como se muestra en la siguiente figura, ITINERA consta deCinco módulos impulsados ​​por modelos grandes.composición.

Primero, construcción de base de datos de puntos de interés propiedad del usuario(UPC)El módulo recopila y construye contenido de viajes desde plataformas sociales.Base de datos de puntos de interés del usuario。

Para planificar un itinerario que cumpla con la solicitud del usuario, Descomposición de solicitudes(RD)El módulo interpreta y organiza las preferencias del usuario y las convierte en formularios de datos estructurados.

Recuperación de POI teniendo en cuenta las preferencias(PPR)El módulo buscará según las preferencias del usuario y obtendrá los puntos de interés más relevantes.

Para garantizar que el itinerario sea espacialmente coherente, el autor utiliza la optimización espacial basada en clústeres.(OSC)Módulo que filtra y clasifica espacialmente puntos de interés recuperados resolviendo el problema jerárquico del viajante.

Finalmente, generación de itinerario(YO G)El módulo combina el conjunto de puntos de interés candidatos con múltiples restricciones y utiliza un modelo grande para generar rutas de viaje y descripciones relacionadas que sean espacialmente razonables y consistentes con las solicitudes de los usuarios.

Ahora que el principio está claro, ¿cómo funciona realmente ITINERA?

Para comprender este problema, los autores recopilaron conjuntos de datos de itinerarios de viaje de cuatro ciudades, incluidas las solicitudes de los usuarios, las rutas de itinerarios de las ciudades correspondientes y datos detallados de puntos de interés (POI).

La evaluación se basa en indicadores objetivos como la tasa de recuperación de puntos de interés (RR), la diferencia entre la distancia total y el camino teórico más corto (AM), el número de intersecciones en la ruta (OL) y la proporción de puntos de interés desconocidos (FR). .Precisión de los puntos de interés recomendados personalizados、Coincidir con la solicitud del usuario,así comoRazonabilidad espacial de las rutas generadas.。

Incluso para solucionar aspectos como la atracción de puntos de interés y el grado de adecuación de las solicitudes de los usuarios, etc.no se puede cuantificarPara el problema, el autor también utiliza LLM para evaluar automáticamente la calidad de los puntos de interés, la calidad de las rutas y el grado de coincidencia de los itinerarios y las solicitudes de los usuarios.

Se puede observar que en comparación con otros métodos como GPT-3.5, GPT-4 y GPT-4 CoT, el sistema ITINERA funciona mejor en todos los indicadores.se desempeñó mejor。

existirEvaluación de usuarios y expertos.En términos de calidad de PDI, calidad de itinerario y coincidencia, el sistema ITINERA también recibió puntuaciones más altas.

En general, ITINERA puede generar directamente itinerarios de paseos urbanos personalizados y espacialmente coherentes a partir de solicitudes de lenguaje natural. No solo explora el problema de planificación de itinerarios de dominio abierto en la era de los grandes modelos, sino que también proporciona ideas para utilizar modelos grandes para resolver problemas complejos relacionados con el espacio en las zonas urbanas. aplicaciones.