Embedding Semantico delle Fermate Assistito da LLM per il Controllo del Mantenimento degli Autobus

Uno studio recente presenta un approccio innovativo che utilizza una rappresentazione semantica delle fermate assistita da LLM, volta a migliorare il controllo del mantenimento degli autobus guidato da eventi per ridurre l'addensamento degli autobus. Questo fenomeno influisce negativamente sulla regolarità del servizio e porta a tempi di attesa più lunghi per i passeggeri nei sistemi di transito ad alta frequenza. Gli attuali controllori di mantenimento basati su reinforcement learning dipendono da dati operativi immediati o da identificatori specifici delle fermate, limitando la loro comprensione del contesto operativo più ampio e ostacolando l'applicazione delle politiche su rotte diverse. La ricerca utilizza un LLM offline per convertire diversi dati delle fermate—che comprendono caratteristiche fisiche, attività contestuali e prestazioni storiche—in embedding semantici fissi. Questi embedding vengono poi integrati in un controllore deep Q-learning, eliminando la necessità di elaborazione LLM in tempo reale. Esperimenti condotti tramite simulazioni stocastiche, calibrate con dati di due linee di autobus, dimostrano che il metodo proposto supera la migliore baseline Daganzo calibrata. L'articolo è disponibile su arXiv con ID 2608.10207.