כתבה
arXiv cs.LG ·
תכנון קיבולת מרכזי תחבורה בהנחיית LLM
LLM-Guided Transportation Hub Capacity Planning with Textual Business Inputs
חוקרים הציגו שיטה חדשה לתכנון קיבולת מרכזי תחבורה באמצעות מודל LLM. השיטה מאפשרת להתחשב בהקשר עסקי איכותי ולשפר את דיוק התכנון. הניסויים הראו שיפור של 2.8% באופטימליות לעומת 11.0% בשיטה המסורתית.
תקציר מקורי באנגליתarXiv:2607.03651v3 Announce Type: replace Abstract: While traditional hub capacity planning models optimize effectively for quantitative inputs, they often fail to digest qualitative business context. We propose a novel framework where a large language model (LLM) agent iteratively proposes hub capacity decisions guided by natural-language business context descriptions. The key mechanism is a chain-of-thought reasoning protocol: the LLM constructs a structured decision table that maps each contextual item to specific capacity adjustments based on the implied direction and magnitude of changes. The new capacity decision is then validated through a feedback loop with an optimization model, which provides routing-based performance metrics to guide the agent's selection. On a real-world 13-hub
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית