本文是LLM系列文章,针对《Large Language Models as Urban Residents: An LLM Agent Framework for Personal Mobility Generation》的翻译。
摘要
本文介绍了一种新的方法,将大型语言模型(LLM)集成到代理框架中,以实现灵活高效的个人移动性生成。LLM通过有效地处理语义数据并在建模各种任务时提供多功能性,克服了以前模型的局限性。我们的方法解决了将LLM与现实世界的城市流动数据相一致的关键需求,重点关注三个研究问题:将LLM和丰富的活动数据相一致,制定可靠的活动生成策略,以及探索LLM在城市流动中的应用。关键的技术贡献是一种新的LLM代理框架,该框架考虑了个人的活动模式和动机,包括将LLM与现实世界的活动数据相一致的自一致性方法,以及用于可解释活动生成的检索增强策略。在实验研究中,使用真实世界的数据进行全面验证。这项研究标志着基于真实世界的人类活动数据设计用于活动生成的LLM代理框架的开创性工作,为城市流动性分析提供了一个很有前途的工具。
1 引言
2 相关工作
3 问题描述
4 方法
5 实验
6 结论
贡献。这项研究被认为是LLM在真实世界数据上首次授权的城市流动性模拟。我们的创新框架利用活动模式和动机来指导LLM代理模仿城市居民,促进生成可解释和高效的个人活动轨迹。基于真实世界的数据进行了广泛的实验研究,以验证所提出的框架。进一步的探索证明了LLM在改善城市流动管