DelayPTC-LLM：基于大语言模型的地铁列车延误下乘客出行选择预测
机器学习
2024-10-02 v1
摘要
在网络化运营条件下，列车延误可能在城市轨道交通（URT）网络中迅速传播，给运营部门带来重大挑战。准确预测列车延误下乘客的出行选择，可以为客流重新分布提供可解释的见解，为应急响应和服务恢复提供关键决策支持。然而，由于乘客异质性导致的出行选择多样性以及延误事件的稀疏性，地铁延误下的出行选择数据集存在数据稀疏和样本不平衡的问题。传统的机器学习方法通常依赖于大规模、平衡的数据集，因此难以对此类问题进行建模。鉴于大语言模型（LLM）在文本处理方面的优势以及在少样本甚至零样本学习中的能力，本文提出了一种新颖的基于大语言模型的地铁延误下乘客出行选择预测框架（DelayPTC-LLM）。我们设计了精心设计的提示工程，以引导 LLM 在考虑乘客异质性和延误事件特征的情况下，对出行选择进行预测并给出合理解释。利用来自深圳地铁的真实数据（包括自动售检票（AFC）数据和详细的延误日志），我们将 DelayPTC-LLM 与传统预测模型进行了比较，结果表明 LLM 在处理交通系统中断时常见的稀疏复杂数据集方面具有卓越能力。实验结果验证了 DelayPTC-LLM 在预测准确性方面的优势，并展示了其为海量交通数据提供可操作见解的潜力。
引用
@article{arxiv.2410.00052,
title = {DelayPTC-LLM: Metro Passenger Travel Choice Prediction under Train Delays with Large Language Models},
author = {Chen Chen and Yuxin He and Hao Wang and Jingjing Chen and Qin Luo},
journal= {arXiv preprint arXiv:2410.00052},
year = {2024}
}
备注
15 pages,4 figures