利用 RAG-LLM 进行城市交通仿真与分析
机器学习
2026-02-11 v2
摘要
随着智能出行和共享出行服务的兴起，诸多先进技术已被应用于该领域。云端交通仿真解决方案日益繁荣，提供越来越逼真的动态出行景观表现。大语言模型（LLM）已作为先驱性工具涌现，为包括智能决策、用户交互和实时交通分析在内的各种应用提供稳健支持。随着用户对共享出行需求的持续增长，提供全面的端到端解决方案显得至关重要。本文提出一种基于云端的、由 LLM 提供支持的共享出行平台，集成了用于个性化路线推荐的移动应用程序。优化模块基于不同交通情景下的旅行时间和成本进行评估。此外，对 LLM 提供支持的 RAG 框架在模式层面进行评估，针对不同用户使用各种评估方法。基于 XiYanSQL 的模式级 RAG 在系统运营商查询上实现平均执行准确率为0.81，在用户查询上实现0.98的准确率。
引用
@article{arxiv.2507.10382,
title = {Leveraging RAG-LLMs for Urban Mobility Simulation and Analysis},
author = {Yue Ding and Conor McCarthy and Kevin O'Shea and Mingming Liu},
journal= {arXiv preprint arXiv:2507.10382},
year = {2026}
}