Bridging Policy and Real-World Dynamics: LLM-Augmented Rebalancing for Shared Micromobility Systems

Deze paper introduceert AMPLIFY, een door LLM's aangedreven raamwerk dat bestaande herverdelingsstrategieën voor gedeelde micro-mobiliteitssystemen in real-time aanpast aan emergente gebeurtenissen, wat resulteert in een hogere vraagdekking en omzet in vergelijking met traditionele methoden.

De kern

De Slimme Regisseur voor Deelbikes en -stepjes: Hoe AI Chaos in de Stad Omzet in Orde

Stel je voor dat een stad een enorm, levend organisme is. Deelbikes en elektrische stepjes (zoals die van Lime of Bird) zijn als de rode bloedcellen in dit organisme. Ze moeten overal zijn waar mensen ze nodig hebben: bij het station in de ochtend, bij het park in de middag, of bij een festival in de avond.

Het probleem? Soms stroomt het bloed naar de verkeerde plek. Er staan 50 stepjes bij een station waar niemand is, terwijl er bij een drukke markt geen enkele te vinden is. Dit noemen we een herverdelingsprobleem.

Tot nu toe probeerden computers dit op te lossen door te kijken naar het "gemiddelde". Ze dachten: "Gisteren was het druk bij het station, dus laten we daar vandaag ook 10 stepjes neerzetten." Maar wat als er vandaag plotseling een festival is? Of als 20 stepjes stuk gaan? De oude computersystemen raken dan in paniek of doen niets, omdat ze niet gewend zijn aan onverwachte gebeurtenissen.

De Oplossing: AMPLIFY (De Slimme Regisseur)

De auteurs van dit paper hebben een nieuw systeem bedacht dat AMPLIFY heet. Ze vergelijken dit niet met een simpele rekenmachine, maar met een slimme regisseur die een toneelstuk leidt.

Hier is hoe het werkt, in drie simpele stappen:

1. De Basisplanner (De Scriptschrijver)

Eerst heeft je een gewone, slimme computer die een basisplan maakt. Dit is als een scriptschrijver die een normaal toneelstuk schrijft: "Als het regent, gaan mensen naar binnen. Laten we 50 stoelen in de hal zetten." Dit plan is goed voor een normale dag.

2. De Emergente Situatie (De Onverwachte Gast)

Dan gebeurt er iets onverwachts. Stel, er is plotseling een grote menigte bij het stadion (een "surge") of er is een storm geweest die 10 stepjes kapot heeft gemaakt.
In het oude systeem zou de scriptschrijver vergeten zijn dat dit kon gebeuren. Maar bij AMPLIFY komt er een LLM (een zeer slimme AI, zoals de technologie achter ChatGPT) tussen.

Deze LLM is de Regisseur. Hij krijgt een briefje met de nieuwe situatie: "Hé, er is een festival bij het stadion! De scriptschrijver had dat niet gezien!"

3. De Regisseur Past het Script Aan (Zelfreflectie)

De Regisseur (de LLM) kijkt naar het originele plan en zegt: "Oké, dit plan werkt niet meer. Laten we 20 stepjes van het station verplaatsen naar het festival."

Maar wacht, de Regisseur is niet zomaar een mens die snel iets zegt. Hij heeft een speciale truc: Zelfreflectie.
Hij denkt hard na: "Als ik 20 stepjes verplaats, heb ik dan nog genoeg bij het station? Is dit eerlijk voor de andere wijken? Zie ik een fout?"
Hij kijkt zijn eigen antwoord na, verbetert het, en pas dan geeft hij het nieuwe, verbeterde plan door. Dit is alsof een regisseur zijn eigen scène eerst probeert, ziet dat het niet werkt, en het dan opnieuw schrijft voordat de acteurs beginnen.

Waarom is dit zo speciaal?

• Het begrijpt menselijke taal: De regisseur hoeft geen ingewikkelde code te lezen. Hij kan een bericht lezen als: "Er is een menigte bij het stadion" of "De stepjes in wijk 3 zijn stuk". Hij snapt direct wat er moet gebeuren.
• Het werkt met bestaande systemen: Je hoeft je hele oude computersysteem niet weg te gooien. De LLM werkt als een "bovenlaag" die het oude plan verbetert als er iets misgaat.
• Het is eerlijk: Soms willen stadsbesturen dat stepjes eerlijk over de stad worden verdeeld, niet alleen waar het geldstroomt. De LLM kan dit als een opdracht krijgen ("Zorg voor meer eerlijkheid") en het plan daarop aanpassen.

Het Resultaat: Een Stad die Aftelt

In tests met echte data uit Chicago (waar ze duizenden stepjes hebben) bleek dit systeem wonderen te doen.

• Bij normale dagen was het net zo goed als de oude systemen.
• Bij plotselinge chaos (zoals een festival of een stroomstoring) was het oude systeem vaak 20-30% minder goed. Het nieuwe systeem (AMPLIFY) bleef echter stabiel en zorgde ervoor dat veel meer mensen een stepje konden vinden.

Kortom:
Stel je voor dat je stad een orkest is. De oude systemen speelden altijd hetzelfde liedje, ook als de dirigent plotseling een snellere maat gaf. AMPLIFY is de nieuwe dirigent die luistert naar de muziek, ziet dat de situatie verandert, en direct de cellisten en violisten instrueert om hun partituur aan te passen, zodat het orkest perfect blijft klinken, zelfs tijdens een storm.

Technische samenvatting

Titel: Bruggen slaan tussen beleid en real-world dynamiek: LLM-gestuurde herverdeling voor gedeelde micromobiliteitssystemen

1. Probleemstelling

Gedeelde micromobiliteitssystemen (zoals e-scooters en fietsen) zijn essentieel geworden voor stedelijk vervoer, maar hun efficiëntie staat of valt met effectieve voertuigherverdeling (rebalancing). Bestaande methoden voor herverdeling vallen vaak in twee categorieën:

• Onzekerheids-ignorant: Methodes die optimaliseren op basis van gemiddelde vraagpatronen (bijv. via reinforcement learning of lineaire programmering). Deze falen vaak bij onverwachte gebeurtenissen.
• Onzekerheids-bewust: Methodes die robuuste optimalisatie gebruiken om vooraf gedefinieerde onzekerheden te hanteren. Deze leiden echter vaak tot conservatieve beleidslijnen die presteren onder normale omstandigheden, maar flexibelheid missen bij zeldzame, emergente gebeurtenissen.

De kernuitdaging: Emergente gebeurtenissen zoals plotselinge vraagpieken (bijv. tijdens festivals), voertuiguitval (batterij/maintenance), of nieuwe regelgeving (bijv. eisen voor gelijke toegang) worden door traditionele systemen vaak genegeerd of vereisen menselijke interventie, wat niet schaalbaar is. Er is behoefte aan een systeem dat dynamisch kan aanpassen zonder volledige hertraining van het model.

2. Methodologie: Het AMPLIFY Framework

De auteurs introduceren AMPLIFY, een modulair raamwerk dat een Large Language Model (LLM) gebruikt als een "aanpassingsagent" om vooraf gegenereerde herverdelingsstrategieën in real-time aan te passen.

Het systeem bestaat uit drie hoofdcomponenten:

1. Voertuigherverdelingsmodule (Backbone): Genereert een basisstrategie (baseline) op basis van huidige voertuigverdeling en voorspelde vraag. Dit kan een bestaande optimalisatie- of leer-methode zijn (bijv. Reinforcement Learning).
2. LLM-gestuurde Aanpassingsmodule: Deze module fungeert als een intelligent agent die de basisstrategie aanpast bij het optreden van een emergente situatie.
   • Input: De module ontvangt gestructureerde data (huidige voertuigstatus, voorspellingen) en natuurlijke taal beschrijvingen van de emergente situatie (bijv. "een grote menigte verzamelt zich bij het stadion" of "voertuigen in regio 3 zijn uitgeschakeld").
   • Verwerking: De LLM analyseert de context, de huidige strategie en de nieuwe beperkingen.
3. Zelfreflectie-mechanisme (Self-Reflection): Om de kwaliteit en haalbaarheid te waarborgen, doorloopt de LLM een iteratief proces:
   • De LLM genereert een eerste aanpassing.
   • De LLM reflecteert op deze output (controleert op geldigheid, behoud van voertuigtotaal, en doelbereiking).
   • De LLM herwerkt de strategie totdat deze voldoet aan de constraints en doelen.

Belangrijkste ontwerpkeuze: In plaats van de LLM te laten plannen vanaf nul, gebruikt AMPLIFY de LLM om een bestaande, geoptimaliseerde strategie te verfijnen. Dit verhoogt de stabiliteit en prestaties aanzienlijk ten opzichte van puur LLM-planning.

3. Belangrijkste Bijdragen

• Nieuw Raamwerk: Ontwerp van een LLM-gestuurde beleidsaanpassing die real-time reactie mogelijk maakt op emergente scenario's met minimale rekenkracht (geen retraining nodig).
• Modulair Ontwerp: Ontkoppeling van de basisrebalancing-algoritme van de LLM-agent. Dit maakt het compatibel met diverse bestaande optimalisatiemethoden.
• Zelfreflectie: Implementatie van een iteratief zelf-reflectieproces dat de LLM dwingt tot het valideren en verbeteren van zijn eigen voorstellen, wat fouten zoals ongeldige verplaatsingen of constraint-schendingen minimaliseert.
• Empirische Validatie: Uitgebreide evaluatie met echte e-scooter-data uit Chicago, waarbij wordt aangetoond dat het systeem zowel de vraagbevrediging als de inkomsten verbetert.

4. Resultaten

De evaluatie is uitgevoerd op een dataset van meer dan 629.000 ritten in Chicago (Lime, Spin, Bird). Drie scenario's werden getest:

1. Stijgende Vraag (Rising Demand): Simulatie van vraagpieken van 20% tot 100%.
   • Resultaat: AMPLIFY behield een zeer stabiele tevredenheidsgraad (97,06% bij 100% piek), terwijl andere methoden sterk daalden (bijv. SDSM daalde naar 63,12%).
2. Krimpende Aanbod (Shrinking Supply): Simulatie van voertuiguitval (5-20% minder voertuigen).
   • Resultaat: AMPLIFY presteerde significant beter dan baselines, hoewel de stabiliteit iets lager was dan bij vraagpieken vanwege de complexe ruimtelijke verdeling van uitval.
3. Dynamische Doelen (Dynamic Goals): Het invoeren van nieuwe beleidsdoelen, zoals het maximaliseren van "equity" (gelijkheid in voertuigverdeling).
   • Resultaat: AMPLIFY slaagde erin de ongelijkheid (gemeten via Gini-coëfficiënt en Theil-index) aanzienlijk te verminderen ten opzichte van de basisstrategieën.

Ablatie Studies:

• Kwaliteit van de Basis: De prestaties van de LLM zijn sterk afhankelijk van de kwaliteit van de basisstrategie. Een sterke basis (bijv. RL-based RECOMMEND) gaf de LLM de beste resultaten; een zwakke basis (rule-based) beperkte het potentieel.
• LLM-keuze: Grotere modellen (GPT-4o, LLaMA-70B) presteerden aanzienlijk beter dan kleinere modellen (GPT-3.5, LLaMA-8B), die vaak faalden in het genereren van geldige strategieën.
• Zelfreflectie: Zonder zelfreflectie daalde het percentage geldige strategieën van 85% naar slechts 15%.

5. Betekenis en Conclusie

Dit paper toont aan dat Large Language Models niet alleen als chatbots, maar als krachtige adaptieve planners kunnen fungeren in complexe logistieke systemen.

• Flexibiliteit: Het systeem kan reageren op ongestructureerde input (natuurlijke taal) en nieuwe beleidsdoelen zonder dat het model opnieuw getraind hoeft te worden.
• Schaalbaarheid: Het biedt een oplossing voor het "mens-in-de-lus" probleem, waarbij menselijke inzichten (vaak in tekstvorm) automatisch worden vertaald naar operationele acties.
• Toekomstperspectief: De aanpak is generaliseerbaar naar andere domeinen waar dynamische aanpassing nodig is onder onzekerheid, zoals autonome voertuigen of energienetwerken.

Kortom, AMPLIFY overbrugt de kloof tussen statische optimalisatie en de chaotische realiteit van stedelijke mobiliteit door gebruik te maken van het redeneervermogen van LLM's.