城市公交线路串联：生成式大模型的调度原理

论文题目：Decision generation for interlining bus scheduling: a large language model-empowered approach

第一作者：Yanhao Li 大连海事大学交通运输工程学院学生。

通讯作者：李欣 大连海事大学交通运输工程学院教授，国家高层次青年人才，致力于智能/智慧交通系统研究，聚焦新一代人工智能驱动的运输调度优化、综合立体交通系统优化与韧性增强。

E-mail：xtopli@dlmu.edu.cn

城市公交线路串联：生成式大模型的调度原理

论文摘要

近年来，城市公交线路数量增长迅速但车队规模扩张有限，传统单线路调度模式导致车辆闲置和无效行驶比例较高。论文聚焦跨线路整合调度问题，即在既定时刻表下为一组公交车辆安排多条线路的串接任务，使车辆在完成一条线路后可直接接续另一条线路，以降低车队规模和闲置时间。作者提出一种基于大语言模型（LLM）的生成式调度框架，通过精心设计的系统提示、链式思考（Chain‑of‑Thought）推理和多任务微调，使模型能够预测未来需求、旅行时间并生成可行调度序列。关键创新在于利用动态掩码确保车辆匹配满足时刻表约束和载客限制。实验以重庆公交网真实数据为例，构建包含拓扑、时刻表、到发记录及IC卡刷卡数据的训练集。结果表明，LLM方法在车队规模、车辆闲置时间和延误等指标上优于传统启发式和经典模型，且通过链式思考和领域知识增强显著提升预测准确性和调度效率。研究展示了大语言模型在复杂组合优化问题中的应用潜力，并指出未来可进一步拓展至实时调度和多模式交通集成。

一、研究背景与问题陈述

1.1 城市公交调度现状

• 2017—2024年间城市公交线路数增长约11.3%，而车辆数仅增加约1.1%，车队增长严重滞后。
• 传统单线路调度模式难以利用车辆闲置时间，导致高达40%的“非载客行驶”里程。
• 跨线路调度（Interlining scheduling）通过让车辆完成一条线路后直接转至另一条线路，可减少车辆数量并降低调度成本。

1.2 问题定义

设  为公交线路集合， 为车辆集合。跨线路调度需要在联结的时刻表  上为每辆车指定服务序列，满足如下约束：

• 单任务约束：每辆车在任一时刻只能执行一趟行程。
• 准时约束：车辆必须在规定时间发车和到达，考虑线路间的衔接时间。
• 容量约束：车辆负载不得超过最大载客量。
• 线路分离约束：部分线路不可被同一车辆连续服务。

主要目标包括最小化车队规模、平衡每日车辆工作量以及最大化车辆利用效率，此优化问题被证明为NP困难。

二、方法框架与技术路线

2.1 生成式调度建模

其中表示第  个时刻的调度决策向量，表示公交线路数量，表示总调度时刻数，表示在时刻  分配给线路  的车辆编号， 若该时刻线路  无发车，则  为 空值。

2.2 动态掩码约束机制

为确保模型生成的序列满足约束条件，作者设计了动态掩码函数，根据车辆当前位置、线路连接可行性和时刻表，实时更新可选择的行动集合。

2.3 多任务微调框架

如图所示，作者提出了多任务微调策略：

• 任务①：预测某线路未来一段时间的乘客需求。
• 任务②：预测车辆行驶时间和线路拥堵程度。
• 任务③：生成跨线路调度决策序列。

模型首先以大量通用语料为基础进行预训练，再通过领域数据进行微调，使模型在预测需求、旅行时间和调度决策方面共同优化。损失函数为各任务损失的加权和，权重经实验调整。

2.4 系统提示与链式思考设计

为了充分利用大语言模型的推理能力，作者设计了结构化系统提示，分为三部分：

• 车辆与路网状态：车辆当前位置、下一站剩余时间、当前线路拥堵度。
• 时间和需求历史：近期每条线路的实际运行时间和乘客需求序列。
• 领域知识：公式、规则和调度常识，如“高峰期需优先保障主干线路”。

同时引入链式思考（Chain‑of‑Thought）提示，引导模型显式输出推理过程。如图3中所示，模型先在思维链中列出需求预测、旅行时间评估，再根据掩码生成最终调度。

链式思考使模型在决策时更透明、更具解释性，并在训练时提供正向反馈，提高策略质量。

三、数据准备与实验设计

3.1 数据集构建

研究以重庆市五条主干公交线路为例，采集了以下数据：

• 拓扑与时刻表：线路间连接关系、站点经纬度与发车时刻。
• 到发记录：2024年10月1日至31日各站点到达、离开时间，累计约140万条记录。
• IC卡刷卡数据：约21万条乘客刷卡记录，用于推断乘客需求。
• 上下文信息：天气、节假日、城市活动等。

数据预处理包括异常值剔除、GPS与刷卡记录时间对齐以及生成问答格式以适配大模型输入。模型采用LoRA参数高效微调，秩为8，学习率1e‑4，迭代20个epoch。

3.2 评价指标

为了全面评估调度方案，论文采用以下指标：

• 标准差（SDT）：衡量每日车辆执行班次的差异，越小表示工作负荷越平衡。
• 平均空闲时间（AIT）：两次行程间的平均等待时间。
• 累计发车延误（CDD）：所有行程延误的总和。
• 车辆行驶里程（VMT）：可衡量车辆利用效率。

实验比较启发式、经典数学规划和不同规模LLM（72B、14B‑1M、7B）三类方法。

四、实验结果与分析

4.1 整体结果

总体来看，LLM方法与启发式方案相比可以在不影响准点率的情况下减少车队规模3.6%，每日班次标准差降低12.5%，工作负荷更加均衡。LLM模型的平均延误和空闲时间显著低于启发式方法，出车时长略有增加但在可接受范围内。

不同规模模型间，14B‑1M参数模型的性能几乎与72B模型相当，而7B模型无法生成可行调度。因此使用低秩微调的中型模型即可满足实际应用需求。

4.2 消融研究

论文对系统提示各模块进行了消融分析：

• 仅包含车辆状态时，需求预测误差较大，导致调度波动。
• 加入时间和需求历史可使均方误差减少约38%，提高预测准确性。
• 加入领域知识进一步使空闲时间和延误分别降低33%和35%。
• 加入链式思考显著提升工作负荷平衡度，减少标准差19.4%。

最终集成所有组件后，需求预测误差减少65.87%，旅行时间误差减少46.38%，空闲时间减少76.34%，累计延误减少63.90%，车辆行驶里程增加8.81%，说明链式思考和系统提示的组合对改善调度效果至关重要。

五、创新点与贡献

1. 生成式调度建模：首次将跨线路公交调度建模为语言生成问题，通过自回归序列和动态掩码控制满足运作约束。
2. 多任务微调与提示工程：融合需求预测、旅行时间预测和调度决策，结合结构化提示与领域知识，为复杂交通调度建模提供新范式。
3. 链式思考推理：通过显式推理链使模型的决策过程可解释，提升决策质量。
4. 实际验证与性能提升：在真实公交数据集上取得显著的车队规模缩减和延误降低，验证大语言模型在组合优化领域的应用潜力。
5. 可推广性与可扩展性：模型可迁移至新线路场景，实验证明在新线路上仍能减少车队规模5%，改善工作负荷和空闲时间。

六、结论与展望

本文回顾了一篇将大语言模型应用于跨线路公交调度的研究。面对传统调度方法的效率瓶颈，作者创新性地将问题转化为生成式决策任务，并提出多任务微调框架和链式思考提示，实现了车队规模降低、工作负荷平衡和延误减少的多重目标。消融实验显示，时间需求历史、领域知识与思维链相互促进，显著提高模型预测与决策能力。未来研究可探索实时动态调度、与其他交通方式的协同以及对不可预测事件的鲁棒性，进一步推动大语言模型在智能交通领域的应用。

原文链接见文末，或扫下方交流群二维码。群内实时更新推文及原文 pdf，方便专家学者随时获取（若二维码失效，请翻阅扫描最新文章的二维码）。