城市环境的实时空间检索增强生成
人工智能
2025-05-06 v1
摘要
生成式人工智能（AI），尤其是大型语言模型（LLM），为城市应用带来了变革性的机遇，通过城市基础模型。然而，基础模型面临局限性，即它们仅包含训练时可用的知识，更新既耗时又昂贵。检索增强生成（RAG）已在文献中作为将上下文信息注入基础模型的首选方法，优于微调等技术，后者在城市环境中动态、实时的场景下效果较差。然而，传统的 RAG 架构基于语义数据库、知识图谱、结构化数据或 AI 驱动的网络搜索，完全满足城市环境的需求。城市环境是由大量相互关联数据、频繁更新、实时处理要求、安全需求以及与物理世界紧密联系构成的复杂系统。本文提出一种实时空间 RAG 架构，定义了将生成式 AI 有效集成到城市中的必要组件，利用通过链接数据实现的时空过滤能力。该架构使用 FIWARE 实现，即用于开发智能城市解决方案和数字孪生体的软件组件生态系统。通过在西班牙马德里的旅游助理用例演示了设计和实现。该用例用于验证通过所提出的 RAG 架构正确集成基础模型。
引用
@article{arxiv.2505.02271,
title = {Real-time Spatial Retrieval Augmented Generation for Urban Environments},
author = {David Nazareno Campo and Javier Conde and Álvaro Alonso and Gabriel Huecas and Joaquín Salvachúa and Pedro Reviriego},
journal= {arXiv preprint arXiv:2505.02271},
year = {2025}
}