扔掉地图和Dijkstra算法：高德如何用4B小模型「自学」公交路线规划（深度研究 · 格帕文士风格）

一句话：传统公交路线规划依赖地图数据+Dijkstra算法+人工维护，高德团队证明了一件事——把1300万条真实出行记录丢给4B参数的文本生成模型训练，它自己就能学会找站、换乘、算时间，精确匹配率71%，碾压千亿级通用大模型。而且不需要任何地图基础设施。

01 传统路线规划的「三座大山」

想象你要做一个公交地铁路线规划系统。传统做法需要三座基础设施：

第一座：地图数据

• 路网拓扑、站点坐标、线路走向
• 需要持续更新维护，成本高昂

第二座：路由算法

• Dijkstra、A*、RAPTOR
• 候选路径检索 → 排序模型/规则筛选
• 多层管道，工程复杂

第三座：人工配置

• 网络拓扑、时刻表、换乘规则
• 静态配置，难以快速适应变化

这套系统建起来贵、维护起来烦、改起来慢。如果要在一个新城市上线公交规划，意味着要从头收集地图数据、建立路由引擎、配置所有线路。

TransitLM 问了一个大胆的问题：能不能把这一切，都交给一个文本生成模型，让它从真实的用户出行记录里「自学」出来？

02 TransitLM 的核心洞察：出行日志就是地图

关键假设：海量路线规划日志隐含了丰富的路由知识——上车站点、换乘点、速度/便利性/线路偏好的权衡。这些知识足够让模型学会规划路线，不需要显式地图。

2.1 数据集规模

路线模态分布：

• 纯公交：33.0%
• 纯地铁：19.0%
• 公交+地铁：16.8%
• 混合模式（含出租/骑行接驳）：30.5%

关键发现：30.5% 的路线包含混合模式，说明真实出行远比「纯公交换乘」复杂。

2.2 双资源设计

为什么分两条线？

• CPT 语料让模型「认识」公交网络——站点在哪、线路怎么连、换乘怎么走
• SFT 基准让模型「学会」具体任务——最优路线怎么选、偏好怎么满足、多条路线怎么多样化

03 无地图路线生成：把规划变成文本生成

3.1 核心思路

TransitLM 把公交路线规划完全转化为自回归文本生成问题：

输入：起点 GPS 坐标 + 终点 GPS 坐标 + 查询意图
输出：完整的 JSON 路线，包含：

• 线路序列（Line ID 列表）
• 站点序列（Station ID 列表，含 [Transfer] 标记）
• 总距离、总时间、总费用
• 首末段接驳方式/距离

不需要：

• 显式地图/路网数据
• 外部路由引擎（Dijkstra/A*/RAPTOR）
• 坐标-站点查找模块

3.2 站点 ID 词汇扩展：防幻觉的关键设计

传统做法是把站点 ID 当成字符串处理，比如 "bus-12345"。但文本生成模型可能把它拆成子串，产生幻觉站点（如生成 "bus-123" 或 "bus-123456"）。

TransitLM 的做法：把 120,845 个站点 ID 注册为独立 token，每个站点单 token 表示。

效果：

• 模型直接学习站点级拓扑关系
• 不可能生成不存在的站点（词汇表里没有）
• 类似多语言模型把每个汉字注册为独立 token 的做法

04 最惊人的发现：模型自己学会了「空间定位」

4.1 GPS-only 实验

论文做了一个残酷的消融实验：移除所有文本线索，只给模型起点和终点的 GPS 坐标，让它生成路线。

结果：

通用LLM在GPS-only条件下几乎崩溃，而TransitLM模型几乎无损。

4.2 这意味着什么？

模型在 CPT 阶段（看1300万条路线描述）自发内化了公交网络的空间拓扑。它不需要显式地理数据库（R-Tree、Geohash），就能将任意 GPS 坐标关联到合理站点。

这不是记忆。 如果模型只是记住了「某某坐标对应某某站点」，那么换成没见过的坐标它就懵了。但实验显示，即使只给坐标，模型依然能准确匹配站点、生成连通路线。

这是 emergent 的空间表征——从文本路线描述中，模型学到了「这个区域有哪些站点、它们之间怎么连、换乘在哪发生」的隐式空间知识。

05 三大基准任务与评估体系

5.1 任务定义

PRG 四类偏好：地铁优先、公交优先、少换乘、最短时间

5.2 评估体系（10指标/5维度）

关键约束：数值指标仅在「精确匹配」样本上计算。这意味着：如果路线结构错了，数值再准也不算分。这种评估设计逼模型先把结构做对。

06 实验结果：4B 碾压千亿级通用 LLM

6.1 ORG 任务对比（表2，1,000样本）

注意：通用LLM的输入条件更宽松——它们只需要预测起讫站点，不需要生成完整中间站点序列。即便如此，4B 专用模型在所有维度上碾压千亿级通用模型。

6.2 主要结果（10,000样本）

6.3 联合训练：无负迁移

4B-Joint（三个任务联合训练）vs 单任务 4B：

• ORG：全面持平或微升（REM +2.7pp）
• PRG：显著提升（连通性+2.1pp，REM+2.2pp，偏好遵从+0.7pp）
• DRG：全面提升（连通性+0.8pp，REM+2.7pp，多样性+0.002）

核心结论：三种任务共享底层交通拓扑表征，联合训练相互强化，无负迁移。

这意味着：一个模型可以同时支持「帮我找最快路线」「我想少换乘」「给我三个不同方案」三种需求，不需要为每个任务单独维护模型。

6.4 数据缩放规律

学习层次：基础网络拓扑（连通性）在少量数据下快速习得 → 精细路线匹配与数值校准需要更多数据。

07 深层分析：为什么 TransitLM 有效？

7.1 从「符号推理」到「神经推理」的范式转移

传统路线规划：

地图数据 → 拓扑图 → Dijkstra/A* → 候选路径 → 排序模型 → 输出

TransitLM 路线规划：

OD坐标 → 文本生成模型 → 完整路线JSON

差异的本质：传统方法是「符号推理」——把世界建模为图，在图上做搜索。TransitLM 是「神经推理」——把世界建模为文本分布，在分布中采样。

神经推理的优势：

• 不需要显式图结构
• 可以同时编码规则、偏好、经验、异常处理
• 模型自己决定「哪些因素重要」

7.2 数据即基础设施

传统方法的基础设施是地图数据库和路由引擎。TransitLM 的基础设施是出行日志。

这意味着：

• 新城市上线不需要从头建地图数据，只需要收集该城市的出行记录
• 路线变化不需要人工更新拓扑，数据自动反映最新状态
• 用户偏好不需要硬编码规则，从行为中自然学习

7.3 隐式空间能力的涌现

GPS-only 实验是最有力的证据：模型从文本路线描述中，自发学到了空间关系。

可能的机制：

• 路线描述中频繁出现「从A站坐3站到B站换乘」——模型学到A和B的相对位置
• 不同路线共享相同的换乘站——模型学到这些站是网络枢纽
• GPS坐标与站点ID同时出现——模型建立坐标到站点的隐式映射

这不是显式编程的结果，是统计规律在参数空间中的编码。

08 局限与追问

8.1 论文自身局限

1. 仅4个中国城市：北京、上海、深圳、成都，单一平台（高德）数据
2. 静态路线结构：无实时交通状态、拥堵、延误预测
3. 纯文本：未利用视觉地图信息
4. 时刻表简化：运营时段隐含，无精细班次
5. 评估聚焦结构正确性：未涵盖舒适性、拥挤度等软性指标

8.2 三个追问

追问一：4B模型能否推广到新城市？

论文的数据来自4个城市，但模型训练时所有城市数据混合。如果要把模型部署到一个新城市（如广州），但没有广州的出行记录，怎么办？

• 方案A：用北京上海数据预训练，用少量广州数据微调——可能可行，因为公交网络拓扑有共性
• 方案B：完全零样本迁移——论文没有测试，但GPS-only实验暗示了一定的零样本能力

追问二：实时动态怎么融入？

当前 TransitLM 生成的是静态路线。但真实出行中：

• 某条线路临时停运
• 某站因施工封闭
• 实时拥堵导致某段特别慢

这些动态信息怎么融入？

可能的方案：在输入中附加实时状态文本（如「2号线今日停运」「XX站封闭」），让模型在生成时考虑这些约束。这比传统方法修改图结构更灵活，但也更依赖模型的即时理解能力。

追问三：「精确匹配」71% 意味着什么？

精确匹配 REM = 预测路线与标签路线完全相同（线路集合IoU=1，站点序列IoU=1）。

71% 看起来不高，但考虑：

• 真实用户选择的路线受多种因素影响（个人偏好、历史习惯、实时信息）
• 同一OD对可能存在多条合理路线
• 标签是「用户实际选择的路线」，不一定是「最优路线」

如果模型生成的路线在结构上连通、可达、合理，但只是不是用户选的那条，REM 就会判错。这意味着 71% 可能是 REM 指标的上限，而非模型的上限。

论文没有评估「生成路线的质量是否超过标签路线」——这需要人类专家判断或A/B测试。

09 总结：数据即地图

TransitLM 的核心范式转移

┌─────────────────────────────────────────────────────────┐
│  传统路线规划                                            │
│  ├── 地图数据库（ costly infrastructure ）               │
│  ├── 路由引擎（ Dijkstra/A*/RAPTOR ）                   │
│  ├── 排序模型/规则（ 人工维护 ）                         │
│  └── 静态配置（ 难以适应变化 ）                          │
├─────────────────────────────────────────────────────────┤
│  TransitLM 路线规划                                      │
│  ├── 出行日志（ 平台已有数据 ）                          │
│  ├── 文本生成模型（ 端到端 ）                            │
│  ├── 领域预训练（ 内化网络拓扑 ）                         │
│  └── 任务微调（ 适配具体需求 ）                          │
├─────────────────────────────────────────────────────────┤
│  关键发现：                                               │
│  • 4B参数 > 千亿级通用LLM（ REM 71% vs 40% ）            │
│  • 模型自发学习隐式空间定位（ GPS-only 几乎无损 ）        │
│  • 联合训练无负迁移（ 一个模型支持三任务 ）               │
│  • 数据缩放：基础拓扑快速习得，精细匹配需更多数据         │
└─────────────────────────────────────────────────────────┘

一句话收尾： TransitLM 的价值不在于「用AI做路线规划」——这谁都知道。它的价值在于证明了「地图不是必需的」。当你有1300万条真实出行记录时，数据本身就是地图。模型从中自发学到的空间拓扑，可能比人工维护的地图数据库更鲜活、更准确、更能反映真实的用户行为。

参考

• 论文：TransitLM: A Large-Scale Dataset and Benchmark for Map-Free Transit Route Generation (arXiv:2605.22355)
• 作者：Hanyu Guo*, Jiedong Yang*, Chao Chen, Longfei Xu, Kaikui Liu, Xiangxiang Chu（*共同一作）
• 机构：AMAP（高德地图），阿里巴巴集团，北京
• 发表时间：2026-05-21

#tag #TransitLM #公交路线规划 #无地图 #高德 #空间智能 #文本生成 #领域预训练 #联合训练 #小凯