TransitLM: 面向无地图公交路线生成的大规模数据集与基准

TL;DR TransitLM 发布超 1300 万条公交路线数据集，训练 LLM 直接从起止点生成有效路线，完全摆脱对地图和路由引擎的依赖，实现端到端无地图公交规划。

问题

问题背景

公共交通路径规划是城市出行的核心组件，传统方法严重依赖结构化地图基础设施和专用路由引擎，至今缺少一个能够支持模型绕过这种依赖、实现端到端学习的大规模数据集。

现有方法的局限

1. 强耦合的地图管线：常规系统需要维护高精度路网图、站点拓扑、时刻表等结构化数据，并通过级联的候选检索、权重调优、多目标排序等工程模块逐一处理，任一环节的错误都会传播到最终路线。
2. 泛化与维护成本高：地图更新（如线路调整、临时改道）需手动重配规则与权重，对未见过的城市或场景难以直接迁移，持续维护成本巨大。
3. 无法端到端优化：各子模块独立优化，难以全局对齐用户的实际偏好（例如最短时间、最少换乘、最低票价），且生成路线缺乏多样性，难以提供个性化的多方案推荐。
4. 缺乏训练数据：此前没有任何公开数据集将真实世界的OD查询与最终路线配对，导致 LLM 等生成式模型无法从数据中直接学会“如何规划一条合理的公交路径”。

为什么这个难题重要

公交路径规划的本质是一个高约束的序列生成任务：模型需要隐式学会站点间的连通性、换乘逻辑、GPS 坐标到最近站点的映射，同时满足时效、偏好等软硬约束。传统方案必须显式编码这些规则，而随着 LLM 在推理与结构化生成上的突破，用数据驱动的方式学会这些能力成为可能——但前提是存在大规模、结构化、覆盖多城市的路线查询语料。TransitLM 首次提供了超过 1300 万条真实记录，让模型有机会将“无地图端到端路径规划”从概念变成可复现的工程实践，这对降低部署门槛、提升个性化体验、加速新城市冷启动具有重要意义。

行业类比：正如自动驾驶领域正在探索用端到端模型替代传统的感知—规划—控制模块化管线，TransitLM 试图用纯数据驱动的方式取代手工编制的公交路由引擎，让规划能力从大规模历史出行记录中自然涌现。

核心洞察

• TransitLM 证明了公交路线规划可以完全脱离地图架构，由 LLM 从大规模历史数据中直接学习生成。传统方法依赖结构化路网和复杂路由引擎进行候选检索与路径排序，而 TransitLM 仅通过持续预训练，使模型能够从原始 GPS 坐标隐式推理出有效换乘序列，无需任何显式的站点映射或图搜索。这一范式转变表明，空间轨迹知识可以被压缩进模型参数，为端到端、无地图的出行规划提供了可能性。
• 该工作不仅发布了覆盖 4 个城市、逾 1300 万条记录的大规模公交路线数据集 TransittLM，还配套设计了三种互补的基准任务——最优路线生成、偏好感知规划、多路线生成，并提供多维度的自动评估指标（连通性、站点接地准确性、路径重叠度等）。与现有的交通数据集多侧重路网拓扑或静态时刻表不同，TransitLM 首次允许直接训练生成式模型进行从起点到终点的完整路线输出，填补了无地图场景下 LLM 时空规划能力的评估空白，为后续研究提供了标准化的实验平台。

方法

输入：起终点信息，可以是 GPS 坐标或站名，数据集包含超过 1300 万条真实公交路线记录，每条记录由出发站、换乘点、线路和到达站等结构化字段组成，覆盖四个大型城市的 120,845 个站点与 13,666 条线路。

关键模块：

1. 数据序列化与持续预训练（CPT）：将每条路线转换为文本序列（如 [START] 站点A → 线路1 → 站点B … [END]），以下一 token 预测目标在通用 LLM 上持续训练。模型由此隐式学习公交网络拓扑、换乘规律和路线优化先验，无需显式地图或路由算法。
2. 任务微调（SFT）：基于三个基准任务——最优路线生成（输出连接起终点的最佳路线）、偏好感知规划（融入用户时间/换乘偏好）和多路线生成（提供多样备选路线）——进行指令微调，使模型能够根据任务描述生成对应格式的路线文本。
3. GPS 隐式映射：训练过程中模型学会将任意 GPS 坐标自动关联到合理站点，不依赖外部地理编码或路网匹配。

输出：模型直接生成文本形式的公交路线序列（如站点和线路名称），实现端到端、免地图的路线规划。评估使用一套互补的自动指标：连通性（路线是否连贯）、可达性（终点是否可达）、路线重叠度、数值准确性等，不依赖参考路线。

差异点：与传统依赖图搜索、地图匹配和复杂工程流水线的方法不同，TransitLM 首次证实公交路线规划可完全从数据中学习，使 LLM 在无需任何显式地图基础设施的情况下实现端到端生成。

实验

实验设计与关键发现

实验在 TransitLM 数据集上进行，该数据集包含四座城市的 1300 万条公交规划记录。模型在 持续预训练（CPT） 后，在三个基准任务上评估：最优路线生成、偏好感知规划 和 多路线生成。评估指标涵盖连通性、访问可行性、路线重叠度、数值字段准确率等。

主要发现是：在大规模结构化公交数据上训练的 LLM 能够直接学习端到端的路线规划能力，完全摆脱对传统地图引擎和显式图搜索的依赖。模型不仅生成结构有效的路线，还能隐式地将 GPS 坐标映射到合适的公交站点，无需外部地理编码或地图匹配。这证明公交路线规划完全可以从数据中习得。

与通用 LLM 相比，TransitLM 微调后的模型在路线结构有效性和可行性上取得显著提升，尤其在处理未见过的起终点组合时表现出强大的泛化能力。这一结果颠覆了以往必须依赖地图结构进行路线规划的思路，为未来轻量级、数据驱动的交通服务提供了新范式。

行业影响

落地场景

TransitLM 为 无地图公交路线生成 提供了大规模训练数据与基准，可直接赋能 地图导航、出行服务、智能物流 等产品。例如，在地图应用中，用户输入起终点即可由 LLM 直接输出完整换乘方案，无需依赖传统路由引擎。另一场景为 旅游推荐平台，可基于游客偏好生成串联多景点的多模式公交行程。此外，最后一公里配送 也可利用该能力，为骑手或自动驾驶配送车规划融合公交与步行的灵活路线。

商业价值

• 降低成本：免去对结构化地图数据和复杂路由引擎的持续维护，减少 GIS 专家与服务器资源投入。
• 提升体验：端到端生成可实现毫秒级响应，且模型能隐式学习站点链接规律，生成的路线更贴近实际出行习惯；支持偏好感知（如最短时间、最少换乘）与多路线输出，增强用户选择自由度。
• 拓展市场：在路网数据稀疏或更新滞后的区域，传统方案常失效，而 TransitLM 训练的模型仅依赖历史运营记录即可给出合理路线，有助于打入新兴市场。

与现有工作流的接口

集成方案可采用 轻量级 API 形式：

1. 输入标准 O-D 对（经纬度或站点名）及偏好条件至模型服务；
2. 模型返回结构化 JSON，包含途径站点、线路、换乘次数、预估时间等；
3. 下游展示层直接渲染，或由后处理模块校验并融合实时动态（如延误、拥挤度）。 该方案可平滑替换现有路线规划模块，并与地图可视化、实时公交追踪源等组件无缝对接。

具体案例

• 通用地图导航：在手机地图的公交规划页，后台调用 TransitLM 微调后的 LLM，在用户输入起终点后 200ms 内返回 3 条备选路线，覆盖“最快”、“最便宜”、“最少步行”等偏好，大幅提升首次路线推荐成功率。
• B2B 物流 SaaS：为同城配送服务商提供插件，输入配送员位置与多个收件点，模型自动生成利用公交+步行的多段路线，降低对专用车辆依赖，优化高峰时段运力成本。

局限

• **数据覆盖与泛化能力有限**：TransitLM 数据集仅覆盖四个中国城市，尽管城市规模较大，但公交网络结构、语言特征、用户行为等在不同国家和地区存在显著差异。模型在该数据集上训练后，能否泛化到未见过城市或跨语言场景尚不明确，因此限制了其在全球范围内的直接适用性。此外，持续预训练消耗大量计算资源，对于每个新城市都需要重新训练的做法难以规模化扩展。
• **评价指标与实际用户体验存在差距**：当前提出的 Connectivity、Access Feasibility 等指标主要关注路线结构的逻辑合理性，但未涵盖出行时间、换乘步数、拥挤程度、票价等用户核心关切。现实中的公交路线规划还需考虑实时拥堵、车辆延误、临时改道等动态因素，而数据驱动的静态生成方式难以应对这些变化。因此，指标得分高并不等同于用户满意度高。
• **模型行为黑箱且缺乏安全保障**：LLM 直接生成路线序列，虽然实验显示 GPS 坐标能被隐式关联到站点，但这种隐含知识缺乏可靠的可解释性。当模型产生错误路线时（如推荐已停运线路、不合理的换乘），难以定位原因或进行修正。在安全攸关的公共交通场景下，这样的不透明性可能引发实际运营风险，且论文未探讨任何验证或安全过滤机制。