大规模语言模型用于参与式城市规划
创新城市规划方法将大型语言模型与参与式过程相结合,基于角色扮演、协作生成和反馈迭代的框架解决了一个社区级土地利用任务,并在多样化城市社区的实证实验中展现了可适应性和效果,超过人类专家在满意度和包容性上,与强化学习方法在服务和生态方面不相上下。利用自然语言推理和强大的可伸缩性,本研究展望了低成本高效的大型语言模型代理对规划师和市民的双重益处,对增强参与以及实现参与式城市规划至关重要。
Jan, 2024
通过批判性利用大型语言模型(LLM)创建数字化代表不同利益相关者来规划共享自动化电动出行系统(SAEMS)的合成参与方法,本文介绍了一个在快速演变的移动技术多利益相关者环境中释放协同效应以解决城市交通问题的新方法。通过蒙特利尔案例研究的结果表明,这种结构化和可调参数的工作流程相较于单个 LLM 启用的专家代理生成的 SAEMS 计划,提供了具有较高可控性和综合性的输出。因此,该方法为改善多目标交通规划的包容性和可解释性提供了一条具有成本效益的途径,暗示了我们对可持续和公平交通系统的设想和战略的范式转变。
Apr, 2024
針對城市場景的複雜問題,我們引入 UrbanLLM,這是一個經過微調的大型語言模型,通過分解城市相關查詢為可管理的子任務,識別適合的時空人工智能模型並生成綜合回應,顯著地提升了處理城市活動規劃和管理相關問題的效能,減輕了對人工專家的工作量和依賴。
Jun, 2024
这篇论文介绍了一种使用大型语言模型(LLM)融入到代理框架中的创新方法,用于灵活高效的个性化移动生成,并重点解决了将 LLMs 与现实世界的城市移动数据对接的三个研究问题:将 LLMs 与丰富的活动数据对接、开发可靠的活动生成策略以及探索 LLMs 在城市移动中的应用。
Feb, 2024
论文提出了一种新的基于大型语言模型的多智能体合作框架,在多种身体环境中测试并得到了良好的效果,其具备规划、沟通和与其他人类或智能体合作完成长期任务等能力,并且与人类沟通的模型更容易获得信任,这为未来的智能体合作研究奠定了基础。
Jul, 2023
本文介绍了 LLM + P 框架,将经典计划器的优点结合到大语言模型中,可以通过自然语言描述解决计划问题,经过实验发现 LLM + P 可以提供大多数问题的最优解,而 LLMs 则无法为大多数问题提供甚至可行的计划。
Apr, 2023
城市规划中,土地利用调整在将土地配置与可持续城市发展的当前需求相一致方面起着至关重要的作用。然而,现今城市规划实践面临两个主要问题,即土地利用决策过于依赖人类专家,并且难以协调利益多样化的利益相关者。为了解决这些挑战,我们引入了基于共识的多智能体强化学习框架来进行现实世界的土地利用调整。该框架用于参与型城市规划,允许多样化的智能体作为利益相关者的代表为首选土地利用类型投票。在此框架中,我们提出了一种新的共识机制在奖励设计中,通过集体决策来优化土地利用。为了抽象复杂城市系统的结构,城市的地理信息被转化为空间图结构,然后通过图神经网络进行处理。对来自现实社区的传统自上而下规划和参与型规划方法的全面实验表明,我们的计算框架增强了全局效益并适应了多样化的利益,提高了不同人群的满意度。通过整合多智能体强化学习,我们的框架确保参与型城市规划决策更加动态和适应不断变化的社区需求,并提供了一个强大的平台来自动化处理复杂的现实世界城市规划过程。
Oct, 2023
CityGPT 是一种用于增强大型语言模型在理解城市空间和解决相关城市任务方面能力的系统框架,通过在模型中构建城市规模的世界模型,并使用包含城市知识的多样化指令调整数据集 CityInstruction 来进行模型微调,实现对城市空间的理解和空间推理能力的有效增强。
Jun, 2024