Technische Samenvatting: LLM-ODDR

Probleemdefinitie

Ritbestelplatforms worden geconfronteerd met complexe, real-time besluitvormingsuitdagingen in Order Dispatching (het koppelen van passagiers aan chauffeurs) en Driver Repositioning (het strategisch verplaatsen van vrije voertuigen). Traditionele benaderingen, waaronder combinatorische optimalisatie, op regels gebaseerde heuristieken en Reinforcement Learning (RL), hebben vaak moeite met de dynamische aard van stedelijke omgevingen. Specifiek schieten bestaande methoden vaak tekort omdat ze:

• Dispatching en repositioning als afzonderlijke problemen behandelen, waarbij de inherente onderlinge afhankelijkheid wordt genegeerd.
• Optimaliseren voor enkelvoudige doelstellingen (bijv. directe omzet), waardoor het evenwicht tussen concurrerende doelen zoals platformomzet, wachttijden voor passagiers en het inkomen van chauffeurs niet wordt bewaard.
• Een gebrek aan interpreteerbaarheid vertonen in hun besluitvormingsprocessen (het "black-box"-karakter).
• Een beperkte adaptiviteit vertonen bij anomale condities (bijv. piekmomenten) en uitgebreide parametertuning vereisen voor verschillende scenario's.

De auteurs stellen dat Large Language Models (LLMs) een paradigmaverschuiving bieden door hun vermogen tot contextueel redeneren, het synthetiseren van diverse inputs en hun capaciteit voor meerdimensionaal redeneren te benutten om deze hiaten te dichten.

Methodologie: Het LLM-ODDR Framework

Het paper introduceert LLM-ODDR, een nieuw framework dat LLM's gebruikt als besluitvormende agenten voor gezamenlijke Order Dispatching en Driver Repositioning (ODDR). Het framework bestaat uit drie kerncomponenten en een gespecialiseerd gefinetuned model:

1. Multi-objective-guided Order Value Refinement

Deze module evalueert de algehele waarde van elke rit aanvraag door directe beloningen te integreren met de toekomstige gebiedswaarde. Het maakt gebruik van een iteratief zelf-verfijningsmechanisme:

• Order Value Scorer: Gebruikt een op maat gemaakte prompt om orders te evalueren op basis van meerdere beperkingen: de urgentie van de wachttijd, directe beloning en de "toekomstige voordeelwaarde" van het bestemmingsgebied (afgeleid van historische orderdichtheid).
• Order Value Reviewer: Evalueert systematisch de redelijkheid van de beoordelingen van de scorer. Als de waardering van een order als onredelijk wordt beschouwd, levert de reviewer specifieke feedback, waarna de scorer de waardering in de volgende iteratie verfijnt. Deze lus gaat door totdat een stopvoorwaarde (maximale iteraties of consensus) is bereikt.

2. Fairness-aware Order Dispatching

Zodra de orderwaarden zijn verfijnd, wijst het framework orders toe aan chauffeurs. In tegen tegenstelling tot traditionele matching-algoritmen die zich uitsluitend richten op efficiëntie, incorporeert deze module inkomensgelijkheid voor chauffeurs als een primaire optimalisatiedoelstelling.

• De LLM houdt rekening met chauffeurseigenschappen (huidige verdiensten, historische orders, vrije tijd) naast de orderwaarden.
• De prompt instrueert het model expliciet om rechtvaardigheid te prioriteren, waarbij de voorkeur wordt gegeven aan chauffeurs met lagere historische verdiensten om een evenredige inkomensverdeling over de vloot te waarborgen.

3. Spatiotemporale Demand-Aware Driver Repositioning

Deze module optimaliseert de plaatsing van vrije voertuigen op basis van de uitkomsten van de dispatching-fase en historische patronen.

• Het integreert drie spatiotemporele factoren voor kandidaat-regio's: Historische Vraag (orderverzoeken), Historische Matches (capaciteit tot uitvoering) en Toekomstige Voertuig Aankomsten (geprojecteerd aanbod op basis van huidige dispatching-beslissingen).
• De LLM analyseert deze inputs om regio's met een potentieel hoge vraag en onvoldoende aanbod te identificeren, en stuurt vrije chauffeurs naar deze gebieden om toekomstige matching-percentages te verbeteren.

4. JointDR-GPT

Om de prestaties te verbeteren, hebben de auteurs JointDR-GPT ontwikkeld, een model dat is gefinetuned van Llama 3.1-70B met behulp van de LoRA (Low-Rank Adaptation) strategie. Het is getraind via hybride instructie-finetuning op datasets gegenereerd door GPT-4, cA2C en TVal, specifiek geoptimaliseerd voor de gezamenlijke ODDR-taken.

Belangrijkste Bijdragen

1. Eerste LLM-gebaseerde ODDR Framework: Naar weten van de auteurs is dit de eerste verkenning van LLM's als besluitvormende agenten voor de gezamenlijke optimalisatie van order dispatching en driver repositioning.
2. Nieuw Framework Ontwerp: De introductie van de drie-componenten architectuur (Value Refinement, Fairness-aware Dispatching en Demand-aware Repositioning) die expliciet rekening houdt met multi-objective trade-offs en interpreteerbaarheid.
3. Gespecialiseerd Model (JointDR-GPT): De ontwikkeling van een gefinetuned model dat algemene LLM's en traditionele methoden in dit domein aanzienlijk overtreft.
4. Empirische Validatie: Uitgebreide experimenten op real-world Manhattan taxi-datasets die superieure effectiviteit, adaptiviteit aan piekmomenten en besluitvormingsinterpreteerbaarheid aantonen.

Experimentele Resultaten

Het framework werd geëvalueerd op drie datasets (Small-100, Small-200, Large-500) afgeleid van Manhattan taxi-gegevens, waarbij JointDR-GPT werd vergeleken met traditionele baselines (KM, TVal, cA2C, GRC) en diverse LLM's (GPT-4o, Llama3.1, Qwen2.5).

• Prestatie-indicatoren: De studie gebruikte Gross Merchandise Volume (GMV) en Order Response Rate (ORR).
• Vergelijkende Prestaties: JointDR-GPT presteerde consistent beter dan alle baselines. Op de Small-100 dataset behaalde het een GMV-verbetering van 38,47% ten opzichte van de KM-baseline en 4,61% ten opzichte van de best presterende GPT-4o.
• Ablatie-studies: Het verwijderen van een van de drie kerncomponenten (scorer, LLM-dispatching of LLM-repositioning) resulteerde in een verslechtering van de prestaties, wat de noodzaak van de geïntegreerde aanpak bevestigt.
• Rechtvaardigheid (Fairness): Het framework demonstreerde een superieur vermogen om het inkomen van chauffeurs in evenwicht te houden, waarbij het een hoger mediaan inkomen van chauffeurs behaalde vergeleken met andere modellen, terwijl een hoog GMV behouden bleef.
• Adaptiviteit bij Piekmomenten: In casestudies die pieken in de vraag simuleerden (bijv. concerten), toonde JointDR-GPT een grotere adaptiviteit en hogere order-voltooiingspercentages vergeleken met traditionele RL en heuristische methoden, die moeite hadden met het waarnemen van en reageren op snelle veranderingen in de omgeving.

Betekenis en Claims

Het paper claimt dat LLM-ODDR fundamentele inzichten biedt voor de integratie van geavanceerde taalmodellen in Intelligent Transportation Systems (ITS). De betekenis ligt in:

• Holistische Optimalisatie: Het succesvol balanceren van concurrerende belangen van stakeholders (platformomzet, rechtvaardigheid voor chauffeurs, wachttijden voor passagiers) zonder rigide formuleringen.
• Interpreteerbaarheid: Het transformeren van ondoorzichtige algoritmische beslissingen naar transparante, verklaarbare redeneerketens, wat het vertrouwen van stakeholders vergroot.
• Adaptiviteit: Het demonstreren van het vermogen om te redeneren over anomale gebeurtenissen met beperkte historische data, door gebruik te maken van voorgetrainde kennis om te generaliseren over verschillende scenario's.

De auteurs erkennen dat besluitvorming op basis van LLM momenteel hogere computationele kosten en latentie met zich meebrengt (17–30 seconden per cyclus) vergeleken met traditionele methoden. Zij stellen echter dat technieken zoals parallelle decompositie en modeldistillatie deze problemen kunnen verzachten, waardoor praktische implementatie een realistisch nabije toekomstperspectief is. Zij positioneren dit werk als een stap naar meer duurzame, eerlijke en interpreteerbare ritbestel-systemen.