في عالم التخطيط للنقل، تُعتبر دقة التنبؤ باختيارات وسائل النقل أمرًا بالغ الأهمية، ولكن الأساليب التقليدية من النماذج الإحصائية والتعلم الآلي غالبًا ما تعاني من افتراضات صعبة وقيود في التفكير السياقي. وهنا يأتي دور نماذج اللغات الضخمة (Large Language Models) كخيار مرن وواعٍ للسياقات المختلفة.

تستكشف دراسة جديدة الاستخدام المحتمل لهذه النماذج في تعزيز دقة التنبؤ باختيارات وسائل النقل، من خلال تطبيق استراتيجيات الاسترجاع المعززة (Retrieval-Augmented Generation) التي تستند إلى بيانات تجريبية لزيادة دقة التنبؤ. لقد تم تطوير إطار عمل معياري لدمج استراتيجيات RAG في تنبؤ اختيارات وسائل النقل باستخدام LLM، وتم تقييم أربع استراتيجيات استرجاع مختلفة:
- RAG الأساسي
- RAG مع استرجاع متوازن
- RAG مع إعادة ترتيب عبر مُشفّر متقاطع
- RAG مع استرجاع متوازن وإعادة ترتيب عبر مُشفّر متقاطع

خلال التجارب، تم اختبار هذه الاستراتيجيات عبر ثلاثة هياكل نماذج لغايات توضيح التفاعل بين قدرات التفكير لنماذج الذكاء الاصطناعي وطرق الاسترجاع. باستخدام بيانات مسح السفر للأسر في منطقة بوجيت ساوند لعام 2023، تمت مجموعة من التجارب التي كشفت عن أداء مذهل للنموذج.

أحد أبرز الأرقام كان تحقيق نموذج GPT-4o، عند دمجه مع طريقة الاسترجاع المتوازن وإعادة ترتيب المُشفّر المتقاطع، دقة وصلت إلى 80.8%، متجاوزًا بكثير الأساليب التقليدية.

كما أظهرت النماذج المستندة إلى LLM قدرات نقل مُتفوقة دون الحاجة إلى إعادة تدريب مقارنة بالأساليب العامة. تُظهر النتائج أهمية التآزر بين قدرات التفكير للنماذج واستراتيجيات الاسترجاع، مما يبرز أهمية توافق استراتيجيات الاسترجاع مع مقدرات النموذج لتعظيم إمكانيات نمذجة سلوك النقل باستخدام LLM.

ما رأيكم في استخدام نماذج الذكاء الاصطناعي لتحسين تنبؤات وسائل النقل؟ شاركونا آراءكم في التعليقات!