生成式人工智能在交通规划中的应用：综述

生成式人工智能（GenAI）在交通规划中的整合具有革命性潜力，能够彻底改变需求预测、基础设施设计、政策评估和交通模拟等任务。然而，迫切需要一种系统性的框架来指导这一跨学科领域中生成式人工智能的采用。在本综述中，我们——一个涵盖计算机科学与交通工程的多学科研究团队——提出了首个利用生成式人工智能进行交通规划的综合框架。具体而言，我们引入了一种新的分类法，将现有应用和方法分为两个视角：交通规划任务和计算技术。从交通规划的视角，我们探讨了生成式人工智能在自动化描述性、预测性、生成性模拟以及可解释性任务中的作用，以提升交通系统的效能。从计算技术的视角，我们详细阐述了数据准备、领域特定微调以及推理策略（如检索增强生成和零样本学习）在交通应用中的最新进展。此外，我们还探讨了关键挑战，包括数据稀缺性、可解释性、偏见缓解以及开发与交通目标（如可持续性、公平性和系统效率）相一致的领域特定评估框架。本综述旨在弥合传统交通规划方法与现代人工智能技术之间的差距，促进合作与创新。通过应对这些挑战与机遇，我们希望激发未来研究，确保生成式人工智能在交通规划中的使用合乎伦理、公平且具有深远影响。

近年来，生成式人工智能（GenAI）的进展展示了其在众多领域的变革潜力，包括医疗保健[1, 2]、金融[3, 4]、科学发现[5, 6]、交通[7, 8, 9]和教育[10]。其中，交通规划尤其能够从这些进展中获益良多，因为生成式人工智能，特别是大语言模型（LLMs），为解决复杂挑战提供了工具，例如场景生成[11]、多模式系统优化[12]、利益相关者参与[13]以及数据分析辅助。通过综合来自异构和动态数据源的洞察，大语言模型已成为推动交通研究和实践的重要工具[14]。交通规划是一个系统化的过程，旨在开发策略以管理和增强人员和货物在各种交通系统中的流动，同时实现长期的社会目标。这一过程整合了数据驱动的方法，以平衡交通系统的效率、公平性和可持续性，同时考虑多模式网络、基础设施需求以及政策限制[15, 16]。交通规划涵盖需求预测[17]、基础设施设计[18]、交通管理[19]和公众参与[20]等活动。传统上，交通规划依赖于专家驱动的框架，决策者通过分析出行模式、预测需求并基于统计模型和模拟技术设计解决方案[21]。然而，这些方法往往难以应对现代交通系统日益增长的规模和复杂性，特别是在整合多样化数据源、处理实时动态以及生成适应性解决方案方面。此外，它们在应对技术前沿解决方案的成本与公共机构预算及技术人才薪酬支付能力方面也存在困难。激励性案例：例如，生成式人工智能通过综合土地利用模式、交通流量和环境指标等数据，彻底改变了出行需求的生成方式，从而预测不同条件下的未来基础设施需求[22, 23]。交通模拟[8, 24]和政策情感建模[25]等应用展示了生成式人工智能在提高速度、准确性和范围方面的能力，帮助规划者更有信心地做出明智决策。研究空白：尽管生成式人工智能潜力巨大，但在交通规划中的应用仍面临三大关键空白，需要针对性研究：缺乏系统性整合框架：现有研究对如何将生成式人工智能系统性地纳入交通工作流程的指导有限，特别是在多模式出行优化、实时交通管理或替代场景生成等任务中[26]。虽然存在个别应用，但缺乏统一的方法框架将人工智能驱动的洞察与既有的交通模型整合，导致不同规划领域的采用不一致。需要交通领域特定的模型适配：通用生成式人工智能模型在处理领域特定挑战时表现不佳，包括数据偏见[27]、虚假或不切实际的输出[28]以及高计算成本[29]。交通应用需要量身定制的方法，例如针对特定场景的微调、多模式数据融合技术以及计算高效的架构，以确保在大规模规划环境中的实际部署。领域特定知识整合不足：通用大语言模型缺乏对关键交通概念（如基础设施限制、多模式出行行为和监管框架）的内在理解，限制了其在实际规划场景中的有效性[30]。解决这一空白需要专门的数据集、以交通为中心的增强模型训练，以及将交通模拟模型与生成式输出结合的混合人工智能方法。目标读者：本综述面向计算机科学家、交通研究人员、跨学科学者、从业者和政策制定者，旨在帮助他们利用生成式人工智能进行交通规划。结构：第2节提供背景知识，第3节介绍我们的分类法。第4节和第5节分别从交通和计算视角展开讨论。第6节探讨挑战与未来方向，第7节总结全文。