LLM-контроллер автобусов: как семантика остановок снижает «гроздья» на 69%

Проблема «гроздей» и ограничения RL

Автобусные «гроздья» (bunching) — явление, когда несколько автобусов следуют подряд, оставляя пассажиров ждать в пустоте. Традиционные системы управления на основе обучения с подкреплением (RL) используют лишь мгновенные операционные переменные или ID остановок. Это ограничивает контекст: алгоритм не понимает, является ли остановка транспортным узлом, торговым центром или жилым районом, что мешает переиспользовать политики на разных маршрутах.

Решение: LLM-ассистированная семантика

Авторы (Синь Дун и Викаш В. Гаях) предложили офлайн-процесс: большая языковая модель анализирует гетерогенные данные об остановках (физические атрибуты, контекст деятельности вокруг, исторические характеристики) и преобразует их в фиксированные семантические эмбеддинги. Эти векторы интегрируются в контроллер глубокого Q-обучения (Deep Q-learning) без необходимости запуска LLM в реальном времени, что обеспечивает низкие вычислительные затраты.

Результаты симуляций

Эксперименты проводились на стохастических симуляциях, калиброванных по реальным данным двух автобусных маршрутов. Семантический контроллер превзошел базовый алгоритм Daganzo по всем ключевым метрикам:

Сравнение показало, что использование только ID остановки не улучшает контроллер, основанный на расстоянии, тогда как семантическая информация обеспечивает лучший баланс между регулярностью, временем ожидания и усилиями по удержанию автобусов.

Перенос политик между маршрутами

Исследование также затронуло вопрос кросс-маршрутного обучения. Zero-shot transfer (передача без дообучения) дала ограниченную немедленную генерализацию. Однако warm-start fine-tuning (дообучение с начальной точки) ускорило обучение на ранних этапах. Примечательно, что cold-start training (обучение с нуля) все же обеспечило наилучшую итоговую производительность, что указывает на важность адаптации политик под специфические условия маршрута.

Значение для отрасли

Работа демонстрирует, что семантические представления состояний могут дополнять традиционные операционные данные. Это открывает путь к созданию более универсальных систем управления транспортом, способных адаптироваться к различным типам маршрутов и контекстам городской застройки.

Источник: arXiv cs.AI ↗