大家是否都有这样的经历？
旅行前翻遍各类网站、APP查询出游攻略，亦或咨询各类能人异士生怕踩坑暴雷，即使出行前自认为万事俱备，尽在掌控，但实际旅行中还是会发现要么错失了一些有意思的风土人情，要么规划的游览路线不够合理，浪费了时间和精力。
而就在不久前，香港大学和麻省理工学院等单位联合推出了ITINERA，将大语言模型与空间优化相结合，以实现个性化的开放域城市行程规划。
ITINERA论文，2402.07204 (arxiv.org)
简而言之，大模型也可以充当私人导游，帮我们一键规划 Citywalk了！
那么具体如何使用呢？
比方说用户提出请求：“请为我设计一条城市漫步路线，这条路线需要经过‘巨富长’区域，并以静安寺作为终点。” ITINERA 系统便能够快速生成一条包含多个有趣地点的路线，并附带每个地点的简介。
开放式用户兴趣点（OUIP）问题和系统， 2402.07204 (arxiv.org)
不仅如此，即便是更为个性化的请求，比如寻找“适合情侣的浪漫酒吧”、“二次元文化热门地”或“必去的网红打卡点”，ITINERA 都能准确捕捉并满足这些特定需求。
乍一看似乎没有那么惊艳，让我们来对比看看同一个提示词下，ITINERA与GPT-4 CoT生成路线的差别。
提示词以“我想要一个文艺的路线，并且经过桥和渡轮”为例：
由ITINERA生成的行程（左侧）和GPT-4 CoT生成的行程（右侧） ，2402.07204 (arxiv.org)
可以明显的看到， ITINERA规划的路线会经过苏州河上的几座桥梁以及黄浦江的渡轮，最终在充满文艺气息的朵云书店画上句号，而且整体路径设计得相对合理，巧妙地将目的地集中在两个主要区域之内。
相比之下，GPT所挑选的POI兴趣点并不太符合用户关于桥梁和渡轮的要求，而且还存在路径迂回、兴趣点之间距离过远的问题。
ITINERA优秀的开放域行程规划能力主要得益于5个模块：
ITINERA系统的概述 ，2402.07204 (arxiv.org)
首先，User-owned POI Database Construction (UPC) 模块负责从社交媒体平台上提取并构建用户特定的兴趣点数据库。
为了规划出符合用户需求的行程，Request Decomposition (RD) 模块会对用户的偏好进行解析和整理，并将其转换成结构化的数据。
Preference-aware POI Retrieval (PPR) 模块则依据这些偏好进行检索，挑选出与用户最为匹配的兴趣点。
为了保证行程在地理上的连续性，Cluster-aware Spatial Optimization (CSO) 模块被用来通过解决层次化的旅行商问题来筛选和排序这些兴趣点。
最后，Itinerary Generation (IG) 模块会结合候选的兴趣点以及多种约束条件，利用大型模型生成一条既符合地理逻辑又满足用户要求的旅行路线及其相关描述。
总而言之，ITINERA通过处理自然语言请求，能够创造出既个性化又空间上连贯的城市步行路线。
这项技术不仅解决了大模型时代下开放领域的行程规划难题，还开辟了利用先进模型在城市环境中解决复杂空间问题的新途径。
结合大模型通用知识及在交通、社会治理、安全生产、自然资源等行业领域的知识，深入业务场景，精确捕获用户意图，为用户提供智能问答、数据分析、报表生成、工作任务理解与执行等一系列服务
📞若您有相关需求，欢迎点击下方链接与我们沟通洽谈
🗨️也可以在公众号后台给我们留言
