The Innovation | 语言模型助力科学研究的第N种可能：解析现实世界中的配送路线优化问题

导 读

以ChatGPT为代表的大语言模型开启了科学研究的新范式。本文提出了一种基于语言模型的新方法，它能够学习并理解人类的行为模式，从而整合驾驶员的隐式经验，进一步优化现实世界中的配送路线。本研究表明，除了自然语言，其他可以映射到可学习序列的实体都能被语言模型学习，这大大拓展了语言模型的应用边界。

图1 使用语言模型应对跨学科研究中的各项挑战

近年来，随着深度学习和人工智能的飞速发展，以ChatGPT为代表的大语言模型已成为科学界的焦点。语言模型的设计初衷是解决自然语言处理相关的问题，例如语音识别和机器翻译，它将人类语言视为受特定语法规则约束的单词序列。基于此种思路，除了自然语言之外，任何可以映射为可学习序列的实体也可以通过语言模型解析。例如，蛋白质结构与人类语言存在许多相似之处，其中氨基酸可被视为“字母”，不同的氨基酸组合可以类比为“单词”。同样地，人类行为也可通过类似的方式来描述。例如，乘客的出行可被表示为一个由出发时间、起终点坐标以及出行模式组成的“句子”。类似的，在本文研究的现实世界中配送路线优化问题中，配送路线被抽象为“句子”，配送点则可类比为“单词”，且此“句子”必须遵循由各种现实世界的约束所设定的“语法规则”以确保路线的合理性和效率。通过这种方式，语言模型能够为解决现实世界中的配送路线优化问题提供有力的支持。

图2 基于语言模型的配送路线优化方法流程图。本文方法包括以下主要步骤：(i)将现实世界中的配送路线转化为“配送行为句子”。(ii)通过机器学习模型学习配送行为。(iii) 由词向量推断完整的配送序列。

在实际的配送路线优化任务中，必须考虑现实世界中动态变化的各种复杂因素，例如实时的交通状况和司机的个性化偏好，然而这些因素在运筹学模型中往往被忽视。这种差异使得具有丰富经验的司机常常会偏离理论模型事先优化的路径。

本研究旨在提供一种创新视角来理解和优化配送路线，其核心思想源于几何深度学习中的基于字符表征的学习方法。首先，使用实际配送路线构建了一系列的“句子”，以准确地反映司机的实际行为模式。然后，通过无监督模型学习这些“句子”中的“单词”的向量表示。最后，利用实体之间的功能相似性——可通过它们在词嵌入空间中的映射和接近程度推断——设计一个定制算法来推断完整的配送序列。

本文构建了一个混合方法：借助语言模型提取司机关于最优配送模式的隐性知识，这些知识在运筹学模型中通常难以明确体现。语言模型为我们提供了一个与司机直觉偏好相协调的区域序列。获得区域序列后，将每个区域内的配送任务视为具有特定起终点的旅行商问题。本文方法最终呈现了一条理论上高效，并且贴合司机实际经验和偏好的配送路线。通过在亚马逊的真实配送数据上进行实验，验证了本方法的有效性。实验结果展现了本方法与纯运筹学方法相比，在可行性、效率和潜在适应性方面具有显著优势。

总结与展望

在真实的配送路线优化任务中，司机往往会根据实际交通情况、基础设施状况和个人驾驶偏好，自主地“重新优化”预定的路线，而非严格遵循运筹学方法得到的最优路线。为此，我们构建了一个混合模型，将语言模型与运筹学模型结合，以解决仅依赖运筹学方法难以解决的现实世界中的配送路线优化问题。我们的方法也有望拓展到多个领域，例如智能交通、智慧城市和自动驾驶等，这些领域的核心任务本质上是理解按特定“语法规则”构建的系统。

责任编辑

郝   翔    浙江大学

梅清清    浙江大学

扫二维码｜查看原文

原文链接：https://www.cell.com/the-innovation/fulltext/S2666-6758(23)00148-0

本文内容来自Cell Press合作期刊The Innovation第四卷第六期以Report发表的“Can language models be used for real-world urban-delivery route optimization?” (投稿: 2023-06-22；接收: 2023-09-27；在线刊出: 2023-09-29)。

DOI: https://doi.org/10.1016/j.xinn.2023.100520

引用格式：Liu Y., Wu F., Liu Z., et al. (2023). Can language models be used for real-world urban-delivery route optimization? The Innovation. 4(6), 100520.

作者简介

刘 洋，博士，欧盟玛丽居里学者，瑞典查尔姆斯理工大学研究助理教授，担任IEEE TIV和JICV副主编，IEEE/CAA JAS、The Innovation青年编委。研究方向为AI+X，主持一项欧盟项目和一项瑞典国家创新局项目。成果发表在IEEE TIV、IEEE/CAA JAS、IEEE TCYB、IEEE TITS、IEEE ITSM、CACAIE、Transportation Research Part A/C/E等顶级期刊。曾获IEEE ITSM Best Paper High Commendation Award、Honorable Mention of the COTA Best Dissertation Award等论文奖项。多次在国际顶级人工智能挑战赛中获得奖项，包括先后4次获得有着数据挖掘领域“世界杯”之称的KDD CUP的冠、亚军。

Web: https://www.researchgate.net/profile/Yang-Liu-547

曲小波，博士，清华大学车辆与运载学院教授，国家海外高层次人才-CJ学者讲席教授，博士生导师，欧洲科学院（Academia Europaea）院士。在澳大利亚、瑞典任教10年，归国前任瑞典查尔姆斯理工大学（Chalmers）讲席教授。主要研究方向包括智能交通系统、立体交通系统、未来公交系统、车城互联系统。发表论文150余篇，担任Communications in Transportation Research主编及其他十余本刊物编委。曾荣获新加坡交通部部长创新奖、澳大利亚教育部奋进长江研究奖等。

Web: http://www.svm.tsinghua.edu.cn/essay/80/1920.html

往期推荐

	未来城市交通的出路？向空中寻找答案

	交互工程激发大语言模型潜能，助力个性化消化系统肿瘤诊疗策略的制定

	大语言模型助力遗传病分子诊断

	语言模型在蛋白质表示和蛋白质设计领域的应用与挑战

	面对生成式AI的全方位“入侵”，人类是否自带心理防御机制？

	边缘计算赋能无人机集群：环境感知、通信互连与任务规划多维度高效互惠协同

	模数融合的全新训练模式：物理神经网络的构建

	织物计算：无处不在的织物所驱动的计算新范式

期刊简介

扫二维码 ｜ 关注期刊官微

The Innovation是一本由青年科学家与Cell Press于2020年共同创办的综合性英文学术期刊：向科学界展示鼓舞人心的跨学科发现，鼓励研究人员专注于科学的本质和自由探索的初心。作者来自全球55个国家；已被136个国家作者引用；每期1/5-1/3通讯作者来自海外。目前有196位编委会成员，来自21个国家；50%编委来自海外；包含1位诺贝尔奖获得者，37位各国院士；领域覆盖全部自然科学。The Innovation已被DOAJ，ADS，Scopus，PubMed，ESCI，INSPEC，EI等数据库收录。2022年影响因子为33.1，CiteScore为23.6。秉承“好文章，多宣传”理念，The Innovation在海内外各平台推广作者文章。

期刊官网：

www.the-innovation.org

www.cell.com/the-innovation

期刊投稿（Submission）：

www.editorialmanager.com/the-innovation

商务合作（Marketing）：

[e-mail]

Logo｜期刊标识

See the unseen & change the unchanged

创新是一扇门，我们探索未知；  

创新是一道光，我们脑洞大开；  

创新是一本书，我们期待惊喜；  

创新是一个“1”，我们一路同行。

The Innovation 姊妹刊

The Innovation