基于文本业务输入的 LLM 引导交通枢纽容量规划

arXiv:2607.03651v3 公告类型：替换 摘要：尽管传统的枢纽容量规划模型能够有效优化量化输入，但通常难以理解定性的业务背景。我们提出了一种新颖的框架，其中大语言模型（LLM）智能体在自然语言业务背景描述的引导下，迭代提出枢纽容量决策。其核心机制是一种思维链推理协议：LLM 构建结构化决策表，根据每项背景信息所暗示的变化方向和幅度，将其映射为具体的容量调整。随后，通过与优化模型构成的反馈循环对新的容量决策进行验证；优化模型提供基于路径规划的性能指标，以指导智能体进行选择。在美国东南部一个包含 13 个枢纽的真实货运网络上，相较于隐藏的真实最优解，我们的框架实现了 2.8% 的最优性差距，显著优于不使用文本业务输入的传统优化模型所产生的 11.0% 差距。这表明，LLM 可以充当情境桥梁，将定性的业务洞察整合到运筹学工作流程中。