Зачем нужен «понимающий» планировщик
Каждый пассажир выбирает маршрут по-своему. Для одного главное — добраться быстрее, для другого — сделать меньше пересадок, третий сознательно избегает автобусов или хочет сократить пешие переходы. Стандартные навигационные приложения обычно дают лишь несколько обезличенных вариантов, отсортированных по времени или цене. Индивидуальные предпочтения при этом остаются за кадром.
Изменить ситуацию предлагает фреймворк ChatPlanner, описанный в препринте arXiv:2606.15315. Авторы — Тингтинг Янг, Ченхао Сюэ и Джун Чен — разработали подход, в котором пользователь объясняет свои пожелания обычными словами, а система переводит их в требования к маршруту. Это заметно расширяет границы классической маршрутизации: диалог с пассажиром становится таким же важным входным сигналом, как расписание и карта транспорта.
Решение построено вокруг больших языковых моделей и уже подано в журнал Transportation Research Part C. Судя по тексту работы, это не просто очередной чат-бот: модель напрямую влияет на оптимизационную логику поиска маршрута.
Архитектура решения
В центре ChatPlanner — диалоговый интерфейс, обрабатывающий запросы на естественном языке. Пользователь может написать что-то вроде «хочу быстрее, но без метро» или «терпеть не могу долгие ожидания». Задача фреймворка — не только распознать слова, но и извлечь из них параметры маршрутизации: приоритеты по времени, количеству пересадок, способам передвижения и другим характеристикам.
Для этого используется связка из двух механизмов:
- Тонко настроенная LLM — отвечает за структурированный вывод и обучена распознавать типичные паттерны предпочтений. Она «понимает», как обычно формулируются пожелания, и приводит их к единому формату.
- Retrieval-Augmented Generation (RAG) — добавляет к запросу релевантный контекст. Это помогает разрешать неоднозначные или разговорные выражения, а также точнее калибровать непрерывные оценки — например, степень неприязни к пересадкам.
Результатом обработки становится набор оценок предпочтений (preference scores) по разным критериям. Эти оценки затем интегрируются в целевую функцию алгоритма маршрутизации общественного транспорта. Другими словами, LLM не пересказывает готовый маршрут, а активно участвует в его построении, подстраивая оптимизацию под конкретного пассажира.
Обучение: персоны и контексты
Чтобы модели было чему учиться, авторы создали наборы данных, включающие восемь персон и пять контекстов. Персоны — это обобщённые типы пассажиров с разными приоритетами и привычками: например, студент, которому важна цена, пожилой человек с ограниченной мобильностью или командированный, ценящий каждую минуту. Контексты описывают типичные ситуации — поездка в аэропорт, час пик, экскурсионная прогулка и так далее.
Такая разметка важна не только для обучения. Она используется для установления эталонных стандартов оценки — «рубрик», с которыми сравниваются ответы системы. Благодаря этому можно объективно судить, насколько верно фреймворк извлёк предпочтения и параметры маршрута из диалога.
Эксперименты и результаты
Чтобы подтвердить работоспособность подхода, исследователи провели четыре эксперимента. Каждый из них проверял отдельный аспект:
- Осуществимость решений — всегда ли система предлагает реальные, выполнимые маршруты.
- Извлечение информации — насколько точно распознаются параметры маршрутизации и предпочтения.
- Качество и полнота набора решений — сколько подходящих альтернатив формирует фреймворк и насколько они хороши.
- Задержка и вычислительная осуществимость — успевает ли система отвечать за приемлемое время.
Результаты показали, что ChatPlanner стабильно генерирует осуществимые решения. Тонкая настройка дала требуемую структуру вывода и позволила системе выучить общие паттерны предпочтений. RAG, в свою очередь, обеспечила контекст конкретного запроса — с её помощью удалось справляться с неточными и разговорными формулировками и корректно калибровать оценки. Наилучшая точность достигается при совместном использовании обоих подходов: извлечение информации оказывается не только более точным, но и согласованным с рубрикой.
В тематических исследованиях фреймворк находил решения, отвечающие разным пожеланиям пассажиров и затрагивающие самые разные аспекты поездки. При этом такие маршруты упускались существующими планировщиками. Кроме того, ChatPlanner выдавал больше альтернатив, что даёт пользователю осмысленный выбор.
Производительность
Особое внимание авторы уделили практической применимости. Замеры задержек подтверждают, что фреймворк вычислительно осуществим: несмотря на участие тяжёлых языковых моделей и дополнительных механизмов RAG, система может работать в реальном времени. Это важный аргумент в пользу того, что подход не останется в лаборатории, а способен лечь в основу реальных сервисов планирования поездок.
Выводы
Исследование ChatPlanner — это шаг к новой парадигме, в которой понимание естественного языка и транспортная оптимизация больше не существуют порознь. Вместо того чтобы требовать от пассажира чёткого задания параметров, система сама извлекает их из разговора. Диалог превращается в полноценную часть оптимизационного процесса, а поиск маршрута — в персонализированный сервис.
Пока что это научная разработка, но её результаты выглядят убедительно: сочетание fine-tuning и RAG позволяет добиться высокой точности, а производительность остаётся приемлемой. Вероятно, подобные интерфейсы скоро появятся в городских транспортных приложениях, и выбор маршрута станет таким же естественным, как разговор с консьержем.
