用于公交线路间调度的决策生成：一种基于大型语言模型的方法

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Decision generation for interlining bus scheduling: a large language model-empowered approach

公交跨线路调度优化研究利用LLMs进行多任务微调，实现车辆分配、行程预测与需求预测协同优化，验证Qwen2.5-14B模型在降低12.5%行程方差和5%车队规模方面的有效性，并展现零样本泛化能力。

　　

李彦豪|李欣|李怀月|张彦曦|袁云|李萌

摘要

在车队规模受限的情况下，公交网络的扩展给传统的单线路调度带来了挑战。虽然跨线路调度可以在不显著增加车队规模的情况下提高效率，但其计算复杂性阻碍了这一方法的广泛应用。为了填补这一空白，本研究探索了一种新的范式，利用大型语言模型（LLMs）的序列推理和生成能力来处理复杂的公交调度问题。通过多源数据，我们设计了一个多任务微调框架，使LLMs能够共同掌握核心调度任务，如车辆分配、行驶时间预测和需求预测。结果表明，经过微调的Qwen2.5-14B-1 M?Instruct模型能够在解决方案的可执行性和计算时间之间取得平衡。多任务微调联合优化了预测和调度，使得需求预测和行驶时间预测的均方误差（MSE）低于30，同时将车队规模和车辆行程变化分别减少了3.6%和12.5%。完整的提示在所有评估指标上均表现出最佳性能，这突显了在受限生成调度中多视角提示工程的必要性。此外，经过微调的模型对新路线具有强大的零样本泛化能力，将车队规模减少了5%，并将行程分布方差降低了4%。这项工作证明了LLMs在数据驱动的公交调度中的可行性。

引言

随着城市化进程的加快和出行需求的增长，发展高质量的公共交通系统在中国已被提升为国家战略重点，成为城市客运的支柱（Zou等人，2014年；Wang等人，2025a年）。根据官方统计数据，全国运营中的公交线路数量从2017年的7.2×10^4条增加到2024年的8.01×10^4条，相对增长了11.3%。相比之下，从2017年到2024年，全国公交车队规模仅从651,200辆增加到658,100辆，增幅仅为1.1%。这种快速扩张的线路供应与有限的车队规模之间的明显差距带来了重大的运营挑战。

在这种情况下，公交调度变得尤为复杂且意义重大。传统的基于单线路的调度范式将车辆和驾驶员仅分配给个别线路，而没有在整个交通网络中进行系统协调，这可能导致资源利用不足，表现为车辆利用率低下和乘客等待时间过长，最终降低乘客满意度，并促使乘客转向其他交通方式。正如Talusan等人（2024年）使用纳什维尔三年的数据所展示的，即使公交车在行驶间隔期间处于空闲状态，它们仍然被限制在各自的线路上，导致40%的额外空驶里程。

跨线路调度允许一辆公交车依次在多条路线上运行，从而提供了一种强大的机制来提高车队利用效率并改善服务覆盖范围，而无需相应增加车队规模（Ceder和Stern，1981年；Gkiotsalitis等人，2019年；Zhang等人，2024b年）。然而，这种调度范式的有效实施比单线路调度复杂得多。它需要精心协调不同线路和时间段内的车辆位置和乘客流动，要求具备高度复杂的决策能力，同时优化多个目标，例如最小化空驶里程、平衡车队工作负荷以及严格遵守多线路时刻表（Zhang和Zhao，2024年；Wu和Zhu，2025年）。生成最优实时跨线路决策的复杂性成为在动态城市环境中充分发挥其潜力的主要障碍。尽管MILP模型在优化车辆分配方面提供了理论上的严谨性，但其实际应用面临关键限制。大规模问题的计算复杂性需要高性能的启发式算法（Li等人，2019年；Wang等人，2023年）来生成接近最优的解决方案。这种依赖性本质上会损害解决方案的最优性，因为启发式算法的性能会随着设计参数的不同而显著变化，并且在各种网络中缺乏鲁棒性保证。理论优化与实际适应性之间的研究差距凸显了在实现可扩展的数据驱动跨线路解决方案方面的根本方法论限制。

幸运的是，作为交通领域数据最丰富的场景之一，公共交通系统积累了包括结构化数据（如GPS轨迹、IC卡记录和时刻表）和非结构化数据（如调度日志和维护记录）在内的全面数据资源。更重要的是，人工智能（AI）的最新突破，特别是大型语言模型（LLMs）的普及和成熟，如GPT-4、LLaMA，为处理数据处理的复杂性提供了范式转变（Zhang等人，2024年；Nie等人，2025年；Zhang等人，2025b年；Tang等人，2024b年）。具体来说，LLMs不仅超越了其在自然语言处理方面的起源，展示了处理和理解文本（维护日志、乘客反馈、调度规则）和数值序列（GPS轨迹、IC卡数据）的显著能力，将其转化为连贯的共享语义表示空间。更重要的是，LLMs的自注意力机制和庞大的参数空间使它们能够建模长距离依赖性、复杂的交互作用以及空间、时间和不同实体（车辆、线路、站点、乘客和环境）之间的非线性关系。这使得对系统动态有更深入的理解，这对于跨线路调度至关重要。基于上述能力，LLMs可以生成结构化格式的候选调度方案或自然语言解释，并为每个建议提供人类可读的解释，从而弥合了数据驱动洞察与可操作决策之间的差距（Dai等人，2024年；Kuang等人，2024年）。

受这些观察的启发，本研究提出了一种新的框架，利用LLMs辅助生成跨线路调度的公交分配决策。该方法通过利用大型语言模型的泛化能力来学习隐含的调度规则，将复杂的调度决策转化为一个受限的序列生成问题。跨线路调度问题被构建为一个将网络当前状态（如车辆位置、乘客负荷和行驶时间）转化为提示的令牌生成任务，并训练模型输出一系列跨线路动作（行程时长和需求预测、车辆到行程的分配）作为离散令牌。经过适当提示和微调的LLM可以吸收全面的城市交通数据，对系统范围内的后果进行推理，并产生高质量的调度决策。

本文的后续部分组织如下：第2节总结了相关领域的最新文献。第3节详细介绍了我们提出的基于LLM的框架，包括数据处理、模型架构和决策生成机制。第4节描述了实验设置、数据集和评估指标。第5节基于实际运营数据进行了跨线路调度决策，并系统地评估了模型在不同场景下的泛化性能。最后，第6节总结了本文，讨论了局限性，并概述了未来研究的方向，旨在进一步推进智能城市交通系统的发展。

部分摘录

LLM在交通中的应用

近年来，随着大型语言模型（LLMs）的快速发展，将其集成到交通系统中标志着一种范式转变，超越了纯粹的数据驱动分析，迈向更具解释性和知识意识的框架。当前的研究和应用主要集中在两个关键且相互关联的支柱上：高级预测和智能决策。

基于LLM的预测主要集中在预测时变交通流量上

问题陈述

经典的跨线路公交调度问题可以表述如下。考虑一组公交线路$L=\{l_1,l_2,,\; \dots \dots ,l_m\}$和一组可用车辆$V=\{v_1,v_2,,\; \dots \dots ,v_n\}$。每条公交线路$i$根据预定义的时刻表$T_i=<msubsup><mi>t</mi></msubsup>1,t_{}^{}2,\; \dots \dots \}$运行。所有线路的时刻表被合并，生成一个新的联合时刻表$\Gamma ={\tau }_1,{\tau }_2,\; \dots \dots ,{\tau }_p\}$。在合并时刻表中每个预定的出发时间${\tau }_k$，应从可用车辆集合$V$中为出发的公交车分配一辆车辆。

实验设置

本节介绍了实验设置，包括使用的数据集、详细的实验程序和评估指标。

数据集

在本研究中，我们根据真实的公交运营数据设计了数据集。原始运营数据通常包括：1）公交车站和线路的拓扑数据，包括线路布局数据、公交车站的地理坐标以及指示车站是起点还是终点的标志。2）时刻表数据，代表正式的

结果

在本节中，我们设计了一系列数值案例来展示所提出方法的有效性。首先，第5.1节进行了基础案例分析，然后在此基础上，第5.2节对不同LLMs生成的输出进行了比较分析。为了验证核心提示组件，我们在第5.3节进一步设计了消融研究，纳入了时间和需求历史、领域知识以及CoT。最后，第5.4节进行了泛化测试以进行评估

结论

快速扩张的城市公交网络与受限的车队规模之间的持续紧张关系使得传统的单线路调度范式越来越不适应，加剧了运营效率低下和乘客不满的问题。虽然跨线路调度提供了一种利用线路间协同效应的有前景的机制，但其实施受到了多目标优化计算复杂性的根本限制

CRediT作者贡献声明

李彦豪：撰写——原始草稿、可视化、方法论。李欣：撰写——审阅与编辑、资金获取、概念化。李怀月：软件、资源、数据管理。张彦曦：验证、形式分析。袁云：撰写——审阅与编辑、方法论。李萌：监督、项目管理、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本工作得到了国家自然科学基金[52272317]和中央高校基本科研业务费[3132025183]的支持。