Bagaimana AI Membuka Kunci Kotak Hitam Pemodelan Trafik Bandar: Terobosan Pengoptimuman Bayesian Berbantukan LLM

Bayangkan sebuah bandar dengan berjuta-juta penduduk, setiap orang membuat ratusan keputusan berkaitan perjalanan setiap hari: pukul berapa hendak keluar, memilih bas atau memandu, mengambil lencongan untuk mengecas atau terus pulang ke rumah. Untuk meramalkan keadaan trafik keseluruhan dan menilai dasar pengurangan pelepasan, jurutera trafik membina sistem simulasi mikroskopik yang dipanggil "Model Asas Aktiviti" (ABM). Model-model ini, walaupun dapat menggambarkan tingkah laku manusia secara terperinci, menjadi "kotak hitam" yang sukar dilaraskan kerana beribu-ribu parameter dan struktur dalaman yang tidak telus.

Kaedah pelarasan tradisional, sama ada penurunan kecerunan atau pengoptimuman Bayesian standard, sama ada terhad kepada model yang mesti boleh dibezakan, atau gagal dengan cepat dalam ruang dimensi tinggi—kos pengiraan meningkat secara eksponen, manakala ketepatan penumpuan terus berkompromi. Kini, satu kajian yang diterbitkan dalam *npj Sustainable Mobility and Transport* mencadangkan rangka kerja pengoptimuman Bayesian baharu yang menggabungkan Model Bahasa Besar (LLM), mengubah keadaan ini.

Daripada "Carian Kasar" kepada "Saringan Pintar"

Inovasi utama kajian terletak pada pengurangan dimensi. Ribuan parameter ABM tidak sama penting: ada yang memberi kesan besar terhadap corak perjalanan, manakala yang lain hampir berlebihan. Kaedah andai jarang tradisional—seperti memaksa andaian bahawa kebanyakan parameter mempunyai kesan sifar ke atas sasaran—walaupun dapat mengurangkan kerumitan, mungkin kehilangan interaksi utama.

Kaedah baharu menggunakan keupayaan pemahaman semantik LLM untuk mengutamakan parameter berdasarkan "peranan fungsional" (contohnya komposisi isi rumah, jarak kerja-kediaman, sensitiviti harga tempat letak kereta). LLM tidak meramalkan nilai optimum secara langsung, tetapi seperti seorang perancang trafik kanan, dengan cepat mengenal pasti parameter yang lebih berkemungkinan menjadi kesesakan dalam penentukuran. Suntikan pengetahuan priori ini mengurangkan ruang yang perlu diterokai oleh pengoptimuman Bayesian dengan ketara.

Pada masa yang sama, pasukan penyelidik mereka bentuk fungsi akuisisi berasaskan entropi yang khusus menangani masalah ketepuan output yang disebabkan oleh input melampau. Dalam data trafik sebenar, tingkah laku ekstrem (seperti masa ulang-alik yang sangat lama) selalunya jarang diedarkan, dan kaedah tradisional cenderung mengabaikannya. Fungsi akuisisi baharu mengimbangi eksplorasi dan eksploitasi, memberi perhatian khusus kepada "kes tepi" ini, dengan itu meningkatkan ketepatan penentukuran model keseluruhan.

Kos Lebih Rendah, Ketepatan Lebih Tinggi

Dalam perbandingan eksperimen, kaedah ini bukan sahaja memerlukan bilangan penilaian yang lebih sedikit berbanding penyelesaian terbaik sedia ada (seperti pemilihan pembolehubah Lasso + pengoptimuman Bayesian standard), tetapi hasil penentukuran akhir juga lebih sesuai dengan aliran trafik sebenar. Yang paling ketara, rangka kerja ini memanfaatkan sepenuhnya struktur modular ABM—menentukur modul penjanaan aktiviti, pemilihan perjalanan, perancangan laluan, dan lain-lain secara berurutan, bukannya penalaan "kasar" sekaligus.

Ini bermakna, bagi sebuah metropolis dengan berjuta-juta penduduk, kerja penentukuran yang biasanya mengambil masa berminggu-minggu atau bahkan berbulan-bulan untuk dijalankan, mungkin dapat dipendekkan kepada beberapa hari. Bagi pengurus bandar yang merancang susunan stesen pengecas elektrik, dasar kereta kongsi, atau zon pelepasan rendah, peningkatan kecekapan ini membawa perubahan kualitatif dalam kelajuan lelaran dasar.

Kemajuan "Peringkat Cip" untuk Pengangkutan Lestari GlobalTerdapat satu terjemahan untuk teks yang diberikan:

Dari perspektif yang lebih makro, teknologi ini bukan hanya menyelesaikan masalah penentukuran model, tetapi kesesakan asas dalam rantaian keputusan pengangkutan mampan secara keseluruhan. ABM telah digunakan secara meluas dalam anggaran pelepasan NOₓ, ramalan permintaan pengecasan kenderaan elektrik, dan simulasi tingkah laku perjalanan semasa pandemik. Walau bagaimanapun, jika model tidak ditentukur secukupnya, kredibiliti cadangan dasarnya akan terjejas dengan ketara.

Sebagai contoh, pasukan penyelidik Belanda pernah menggunakan ABM untuk menilai kesan dasar gabungan – termasuk perkongsian perjalanan, pengurusan tempat letak kereta, dan pengembangan lorong basikal – ke atas kawasan metropolitan Copenhagen. Kerja seumpama ini bergantung kepada banyak pelarasan parameter manual dan percubaan-dan-kesilapan. Kini, penentukuran automatik berbantukan LLM membolehkan kajian sebegini dipindahkan dengan pantas ke bandar-bandar lain, malah menjalankan "ujian tekanan dasar" di peringkat global.

Logik Teknikal dan Kebimbangan Geopolitik

Perlu diperhatikan bahawa LLM yang digunakan dalam kajian ini tidak semestinya perlu menjadi model khusus untuk bidang pengangkutan. Mana-mana LLM umum yang mempunyai keupayaan penaakulan saintifik asas (seperti GPT-4, Claude, dan lain-lain) mampu memainkan peranan dalam menyaring parameter. Ciri ini menurunkan halangan, tetapi juga menimbulkan pemikiran baru: jika penentukuran model bandar bergantung kepada API model besar, adakah kedaulatan data dan autonomi model akan menjadi kos tersembunyi?

Terutamanya di kawasan seperti Timur Tengah dan Asia Tenggara yang sedang pesat membangunkan pengangkutan pintar, pergantungan berlebihan pada alat AI luaran mungkin membawa risiko keselamatan. Mungkin hala tuju masa depan adalah agar negara atau bandar menggunakan LLM tempatan yang ringan, hanya untuk penandaan keutamaan parameter, manakala pengiraan pengoptimuman teras masih dikekalkan pada kuasa pengkomputeran sendiri.

Prospek dan Cabaran

Walaupun hasilnya menggalakkan, kaedah ini pada masa ini masih sesuai terutamanya untuk ABM modular, dan untuk model yang bersepadu sepenuhnya dengan parameter yang sangat berganding masih perlu diuji. Selain itu, sama ada keutamaan parameter yang disaring oleh LLM kekal teguh dalam semua persekitaran bandar memerlukan lebih banyak pengesahan – contohnya, dengan menggunakan rangka kerja ini pada bandar-bandar seperti London, Tokyo, dan Mumbai yang mempunyai perbezaan besar dari segi kepadatan dan budaya.

Walau bagaimanapun, kajian ini mendedahkan laluan baru untuk integrasi mendalam antara kecerdasan buatan dan pengetahuan domain: bukan untuk membiarkan AI mengambil alih keseluruhan proses pemodelan, tetapi untuk membiarkannya memainkan peranan sebagai "pembantu pintar", mempercepatkan bahagian yang paling memakan masa bagi pakar manusia. Di tengah tekanan berganda perubahan iklim dan pembandaran, peningkatan kecekapan seperti ini mungkin lebih bernilai berkekalan daripada mana-mana dasar tunggal.

*Artikel ini berdasarkan makalah yang diterbitkan dalam jurnal Nature anak syarikat *npj Sustainable Mobility and Transport* bertajuk "LLM-assisted screening method for large-scale transportation model calibration".*