类型a：学术研究报告

LLM赋能的行人路径选择建模：一项基于大语言模型的交通行为模拟研究

1. 研究团队与发表信息

本研究由来自多所国际知名高校的研究团队合作完成，主要作者包括：
- Leizhen Wang 与 Peibo Duan（莫纳什大学数据科学与人工智能系，澳大利亚）
- Zhengbing He（麻省理工学院信息与决策系统实验室，美国）
- Cheng Lyu（慕尼黑工业大学交通系统工程系，德国）
- Xin Chen（昆士兰大学土木工程学院，澳大利亚）
- Nan Zheng（莫纳什大学土木与环境工程系，澳大利亚）
- Li Yao（东南大学计算机科学与工程学院，中国）
- Zhenliang Ma（瑞典皇家理工学院土木与建筑工程系，瑞典）

研究论文《Agentic Large Language Models for Day-to-Day Route Choices》发表于期刊《Transportation Research Part C》2025年第180卷，论文编号105307，开放获取（CC BY 4.0许可）。

2. 研究背景与目标

科学领域：交通行为建模、人工智能与城市交通交叉研究。
研究动机：传统路径选择模型（如多项式Logit模型、强化学习）依赖静态假设或固定训练分布，难以捕捉人类行为的动态适应性与复杂性。大语言模型（LLM, Large Language Model）在模拟人类决策中展现出潜力，但其在交通行为中的准确性尚未验证。
研究目标：
1. 提出首个基于LLM的交通行为代理“LLMTraveler”，整合记忆系统与个性化特征，模拟人类路径选择行为；
2. 验证LLMTraveler在单OD（Origin-Destination）和多OD场景下与传统模型（如MNL、RL）及实验室数据的匹配度；
3. 评估轻量级开源LLM作为低成本替代方案的可行性。

3. 研究方法与流程

3.1 核心框架：LLMTraveler代理
- 决策流程：
1. 信息接收与更新：每日接收路径旅行时间信息并存储至记忆系统；
2. 路径选择反思：通过指数加权移动平均旅行时间（EWMATT, Exponential Weighted Moving Average Travel Time）量化历史经验；
3. LLM决策生成：基于记忆数据与个性化特征（如风险偏好、性格特质）生成自然语言解释的路径选择。
- 提示设计：融合旅行者档案（如收入、性格）、任务描述、历史经验、思维引导（Chain-of-Thought策略）及输出格式（JSON结构化响应）。

3.2 实验设计
- 单OD场景（5种成本函数配置）：
- 网络结构：对称与非对称双路径网络，16名旅行者每日选择路径；
- 评估指标：路径切换率（Switching Rate）、与实验室数据及传统模型（PRC、MNL）的对比。
- 多OD场景（OW网络）：
- 网络规模：13节点、48链路、4个OD对，1700名旅行者；
- 代理设置：每LLMTraveler代表20名旅行者，通过k最短路径算法生成候选路径集（k=5）；
- 对比方法：MNL、强化学习（IPPO算法）。

3.3 数据分析方法
- Logistic回归：拟合切换率与路径成本差异的关系；
- 动态用户均衡（DUE, Dynamic User Equilibrium）验证：通过旅行时间波动与收敛性分析。

4. 主要研究结果

4.1 单OD场景：人类行为模式复现
- 行为一致性：LLMTraveler成功复现实验室观测的三种路径切换模式：
1. 切换率随路径成本差增大而上升（即使当前路径更优）；
2. 非对称网络中，均衡点切换率介于0-0.5（传统PRC模型无法捕捉）；
3. 切换行为受路径固有属性影响（如高敏感链路波动更大）。
- 模型差异：轻量级开源模型（如Llama-3.1-8B）与闭源模型（GPT-4）性能接近，但GPT-4对短期记忆信号更敏感，导致更高波动性（标准差达13.23分钟）。

4.2 多OD场景：学习行为模拟
- 三阶段学习：
1. 探索阶段（前20天）：随机选择路径，日切换率（DSR, Day Switching Rate）高达0.4；
2. 探索-利用平衡阶段（20-60天）：结合历史经验与少量探索；
3. 利用阶段（60天后）：DSR稳定低于0.2，旅行时间收敛至均衡状态。
- 与传统模型对比：LLMTraveler与MNL、RL模型在均衡状态表现相当，但能生成自然语言解释（如“选择路径1因其历史可靠性”）。

4.3 轻量级LLM的可行性
- 开源模型（如Yi-Medium、Llama-3.1-70B）在成本效益比上表现优异，尤其适用于政策模拟等需大规模代理的场景。

5. 研究结论与价值

科学价值：
- 首次将LLM引入交通行为建模，证明其能复现人类动态决策的复杂性；
- 提出融合记忆系统与个性化特征的代理框架，为ABM（Agent-Based Modeling）提供新范式。

应用价值：
- 政策模拟：在缺乏历史数据时，预测新政策（如拥堵收费）对路径选择的影响；
- 交通管理：通过自然语言解释增强决策透明度，支持个性化交通服务设计。

6. 研究亮点

1. 创新方法：LLMTraveler首次整合LLM的推理能力与交通行为建模，支持动态适应与解释性决策；
   
2. 多场景验证：覆盖单OD（行为规律）与多OD（系统均衡）场景，验证模型的普适性；
   
3. 开源替代方案：证明轻量级LLM可替代高成本闭源模型，推动技术民主化。
   

局限性：LLM对提示设计敏感，需进一步校准以减小个体行为偏差。

（全文约2000字）