Kentsel Hareketlilik Tahmini Yeniden Tasarlanıyor: Peki LLM Tabanlı Ajanlar Ulaşım Planlamasını Dönüştürebilir mi?

Kentsel ulaşım sistemleri, özünde insan davranışının bir yansımasıdır . İster günlük işe gidip gelme, ister bir eğlence gezisi, isterse de ani bir iş olsun, her yolculuk karmaşık, bağlama bağlı kararlarla şekillenir. On yıllardır, ulaşım planlaması bu davranışları basitleştirmeye ve tahmin etmeye çalışan modellere dayanmaktadır. Bununla birlikte, insanın karar verme sürecinin gerçek doğasını yakalamak, alanın en kalıcı zorluklarından biri olmaya devam etmektedir.

Günümüzde Dört Aşamalı Model (FSM) ve hatta daha gelişmiş Ajan Tabanlı Modeller (ABM'ler) gibi geleneksel yaklaşımlar alana önemli katkılar sağlamıştır. Bununla birlikte, insan davranışının incelikli, uyarlanabilir ve bazen irrasyonel doğasını temsil etmekte genellikle zorlanırlar. Şehirler daha karmaşık hale geldikçe ve hareketlilik kalıpları daha dinamikleştikçe, bu modellerin sınırlamaları giderek daha belirgin hale gelmektedir.

Öte yandan, Büyük Dil Modelleri (LLM) alanındaki son gelişmeler yeni bir ufuk açıyor. İnsanlar tarafından üretilen çok miktardaki veri ile eğitilen bu modeller, insan muhakemesini taklit etme, bağlamı yorumlama ve uyarlanabilir yanıtlar üretme konusunda benzeri görülmemiş bir yetenek sergiliyor.

Bu durum, planlamacılar için kritik bir soruyu gündeme getiriyor: LLM'ler, şehirleri yalnızca sistemler olarak değil, insan kararlarıyla şekillenen yaşanmış deneyimler olarak modellememize yardımcı olabilir mi?

Toplu Modellerden Davranışsal Gerçekçiliğe

Ulaşım planlamasının sıralı süreci. Beimborn, E. ve Kennedy, R.'nin 1996 tarihli "Kara kutunun içinde: Ulaşım modellerini yaşanabilir topluluklar için işler hale getirmek" adlı eserinden alınmıştır.

Tarihsel olarak, ulaşım modellemesi, toplu yaklaşımlardan daha ayrıntılı, davranışa duyarlı çerçevelere doğru evrim geçirmiştir.

Uzun zamandır ulaşım planlamasının omurgası olarak kabul edilen Dört Aşamalı Model , toplu düzeyde çalışır. Bölgesel verilere dayanarak yolculuk üretimi, dağılımı, ulaşım modu seçimi ve rota atamasını tahmin eder. Sağlam ve yaygın olarak kullanılsa da, nispeten istikrarlı ve tahmin edilebilir davranış kalıplarını varsayar.

Bu sınırlamalara yanıt olarak, ABM'ler (Ajan Tabanlı Modeller) tanıtılmıştır. Bu modeller, önceden tanımlanmış kurallara göre karar veren bireysel ajanları (kişileri veya hane halklarını temsil eden) simüle eder. ABM'ler, davranışsal gerçekçiliğe doğru önemli bir geçişi işaret ederek, planlamacıların bireysel eylemlerin sistem sonuçlarını topluca nasıl şekillendirdiğini keşfetmelerine olanak tanımıştır.

Ancak, ABM yöntemleri bile kritik kısıtlamalarla karşı karşıyadır. Davranış kuralları genellikle katıdır ve kapsamlı kalibrasyon ve büyük veri kümeleri gerektirir. Daha da önemlisi, insan kararlarının mükemmel derecede rasyonel olmadığı, alışkanlıklar, algılar ve eksik bilgilerden etkilendiği fikri olan sınırlı rasyonelliği tam olarak yakalamakta hala zorlanmaktadırlar.

LLM Tabanlı Ajanlar Ortaya Çıkıyor: Yeni Bir Modelleme Paradigması

İşte tam bu noktada LLM tabanlı ajanlar bir paradigma değişimini ortaya koyuyor.

Sabit kurallarla tanımlanan geleneksel ajanların aksine, LLM tabanlı ajanlar doğal dil mantığı yoluyla çalışır. Bağlamı yorumlayabilir, geçmiş etkileşimleri hatırlayabilir ve kararları dinamik olarak uyarlayabilirler. Özünde, insan aktörler için davranışsal açıdan zengin vekiller olarak işlev görürler.

Bu yaklaşım, daha esnek ve ifade gücü yüksek bir modelleme çerçevesi sağlar:

• Ajanlar, tekil yolculuklar yerine günlük aktivite modellerini simüle edebilirler.

• Karar verme süreci bağlamı, hafızayı ve tercihleri yansıtabilir.

• Davranışsal tepkiler, geri bildirim döngüleri yoluyla zaman içinde evrim geçirebilir.

Şehir planlamacıları için bu, önemli bir ilerlemeyi temsil ediyor. Planlamacılar, davranışı matematiksel olarak kodlamak yerine, senaryoları ve kısıtlamaları doğal dilde tanımlayabilir ve modelin kararlar üzerinde "akıl yürütmesine" olanak tanıyabilirler.

Bu, Şehir Planlama İçin Neden Önemli?

Şehir ve bölge planlaması açısından bakıldığında, LLM tabanlı ajanların ulaşım modellemesine entegrasyonu sadece teknik bir iyileştirme değil, plancıların kentsel sistemleri anlama ve onlarla etkileşim kurma biçiminde bir değişimi temsil etmektedir. Toplu varsayımların ve katı davranış kurallarının ötesine geçerek, bu yaklaşım insanlar, mekan ve hareketlilik arasındaki karmaşık ilişkiyi yorumlamak için yeni olanaklar açmaktadır.

src: https://www.edthefed.com/planning/documents/primer.htm

1. Davranış ve Mekân Arasındaki Daha Güçlü Bağlantı

Şehir planlamasında uzun süredir devam eden zorluklardan biri, bireysel davranışları mekânsal sonuçlarla etkili bir şekilde ilişkilendirmektir. Geleneksel modeller genellikle seyahati nüfus yoğunluğu veya arazi kullanım kategorileri gibi toplu değişkenlerin bir fonksiyonu olarak ele alır; bu da altta yatan karar alma süreçlerini gizleyebilir .

LLM tabanlı ajanlar ise bireysel düzeyde çalışarak plancıların günlük aktivitelerin, tercihlerin ve kısıtlamaların hareketlilik modellerini nasıl şekillendirdiğini simüle etmelerine olanak tanır. Bu sayede, ne zaman ve neden seyahat edileceği gibi mikro düzeydeki kararların makro düzeydeki mekansal dinamiklere nasıl dönüştüğünü gözlemlemek mümkün olur. Sonuç olarak, planlamacılar arazi kullanımı-ulaşım etkileşimleri hakkında daha incelikli bir anlayış geliştirebilir ve imar, erişilebilirlik ve kentsel biçim hakkında daha bilinçli kararlar alabilirler.

2. Daha Esnek Senaryo Testi

Senaryo analizi planlama pratiğinin merkezinde yer almaktadır, ancak geleneksel modelleme yaklaşımları, küçük politika değişikliklerini bile test etmek için genellikle önemli zaman ve teknik çaba gerektirir. Model parametrelerini ayarlamak, veri kümelerini yeniden kalibre etmek veya kodu yeniden yazmak kaynak yoğun olabilir ve karar alma sürecini yavaşlatabilir .

Buna karşılık, LLM tabanlı çerçeveler daha esnek ve yinelemeli bir yaklaşım sunar. Doğal dil komutlarını kullanarak, planlamacılar tüm modeli yeniden yapılandırmadan yeni toplu taşıma yatırımları, fiyatlandırma politikaları veya davranışsal müdahaleler gibi alternatif senaryoları hızlı bir şekilde tanımlayabilir ve test edebilirler. Bu, deneme yapmanın önündeki engeli önemli ölçüde azaltır ve planlamacıların daha kısa bir zaman diliminde daha geniş bir olasılık yelpazesini keşfetmelerini sağlar.

Bu tür esneklik, özellikle planlama kararlarının belirsizliğe ve gelişen hareketlilik modellerine yanıt vermesi gereken, hızla değişen kentsel ortamlarda son derece değerlidir.

3. Kaynak Kısıtlı Ortamlarda Veri Verimliliği

Yüksek kaliteli, geniş ölçekli verilere erişim, özellikle gelişmekte olan veya kaynak kısıtlı ortamlarda ulaşım planlamasının temel kısıtlamalarından biridir. Geleneksel modeller genellikle ayrıntılı araştırmalara, kaynak-varış noktası matrislerine ve kapsamlı kalibrasyon süreçlerine dayanır; bu da maliyetli ve zaman alıcı olabilir.

LLM tabanlı yaklaşımlar, önceden eğitilmiş bilgi ve bağlamsal akıl yürütme yeteneklerinden yararlanarak bir alternatif sunmaktadır. Veriye olan ihtiyacı tamamen ortadan kaldırmasalar da, son derece ayrıntılı veri kümelerine olan bağımlılığı azaltma potansiyeline sahiptirler ve plancıların daha sınırlı girdilerle çalışmasına olanak tanırlar.

Bu değişim, gelişmiş modelleme araçlarına erişimi demokratikleştirebilir ve sınırlı kaynaklara sahip daha küçük belediyelerin veya kurumların karmaşık senaryo analizleri ve planlama çalışmaları yapmasına olanak sağlayabilir.

4. Daha Kapsayıcı Planlamaya Doğru

Kentsel sistemler, farklı ihtiyaçlara, tercihlere ve kısıtlamalara sahip çeşitli nüfus grupları tarafından şekillendirilir. Bununla birlikte, geleneksel modeller genellikle ortalama davranışlara veya temsili aktörlere dayanır ; bu da sosyal gruplar arasındaki önemli farklılıkları gizleyebilir.

Bireysel düzeydeki karar alma süreçlerini simüle ederek, LLM tabanlı ajanlar gelir grupları, yaş grupları veya yaşam tarzı kalıpları genelindeki davranışsal çeşitliliği daha iyi yakalayabilir. Bu, farklı politikaların toplumun farklı kesimlerini nasıl etkilediğini değerlendirmek için yeni fırsatlar yaratır.

Planlama açısından bakıldığında, bu, politikaların dağılımsal etkilerinin daha ayrıntılı olarak incelenebileceği, daha kapsayıcı ve eşitlik duyarlı analizlere doğru ilerlemek anlamına gelir. Nihayetinde, bu daha duyarlı ve sosyal açıdan bilinçli planlama uygulamalarına katkıda bulunur.

Yapay Zeka Aracılığıyla Kentsel Ulaşımı Yeniden Düşünmek

LLM tabanlı ajanların ulaşım modellemesine entegrasyonu, teknik bir ilerlemeden daha fazlasını ifade ediyor. Bu, kentsel sistemleri kavramsallaştırma biçimimizde bir değişimi temsil ediyor.

Şehirler sadece yol ve altyapı ağlarından ibaret değildir; insan davranışlarıyla şekillenen dinamik sistemlerdir . Bu davranışın daha gerçekçi temsillerini modellerimize entegre ederek, insan ihtiyaçlarına gerçekten cevap veren şehirler planlamaya daha da yaklaşıyoruz.

Zorluklar devam etse de, potansiyel açık: LLM tabanlı modeller, kentsel mobilite sistemlerini simüle etme, değerlendirme ve nihayetinde tasarlama biçimimizi yeniden tanımlayabilirler.