大型语言模型赋能日常路径选择：LLMTraveler的创新框架与实证评估

作者及发表信息
本研究由Leizhen Wang（莫纳什大学数据科学与人工智能系）、Peibo Duan（莫纳什大学，通讯作者）、Zhengbing He（麻省理工学院信息与决策系统实验室）等8位作者合作完成，发表于2025年《Transportation Research Part C》第180卷，论文标题为《Agentic Large Language Models for Day-to-Day Route Choices》。

学术背景

研究领域与动机
路径选择建模是交通科学的核心问题，传统方法如随机效用理论（Random Utility Theory）和基于代理的模拟（Agent-Based Modeling, ABM）依赖静态假设，难以捕捉人类行为的动态适应性。近年来，大型语言模型（Large Language Models, LLMs）在模拟人类决策中展现出潜力，但其在交通行为模拟中的有效性尚未验证。本研究首次提出“LLMTraveler”框架，探索LLMs在路径选择建模中的应用价值。

科学问题
传统模型（如MNL、强化学习）无法解释实验室数据中观察到的路径切换波动现象，且缺乏自然语言解释能力。LLMs的适应性学习与推理能力为弥补这一缺口提供了新思路。

研究流程与方法

1. 框架设计

LLMTraveler代理架构
- 核心组件：以LLM为决策核心，集成记忆系统（存储历史路径成本、选择频率）和个性化特征（风险偏好、性格特质）。
- 决策流程：
1. 信息接收：每日更新路径旅行时间（通过线性成本函数计算，如公式3：( \text{tt}_k^t = t_k^0 + \sigma \cdot x_k^t )）。
2. 经验反思：计算指数加权移动平均旅行时间（EWMATT，公式2），优先考虑近期体验。
3. LLM决策：通过结构化提示（图2）生成路径选择及自然语言解释，提示包含旅行者档案、历史数据和思维链引导。

创新方法
- 动态记忆系统：通过EWMATT量化路径偏好，替代传统静态效用函数。
- 混合决策机制：结合LLM的推理能力与经典交通理论（如动态用户均衡，DUE）。

2. 实验设计

单OD对场景（验证基础行为）
- 网络设置：对称与非对称双路径网络（图4），5种成本函数（表1），模拟16名旅行者的100天决策。
- 评估指标：路径切换率（Switching Rate）及其与成本差异的Logistic回归关系（公式5）。

多OD对场景（验证可扩展性）
- OW网络（图7a）：4个OD对、1700名旅行者，代理代表20人群体（表12）。
- 评估指标：日均旅行时间、日切换率（DSR）。

对比方法
- 基准模型：完全理性选择（PRC）、多项式Logit（MNL）、强化学习（RL-IPPO）。
- LLM变体：测试GPT-4、GPT-3.5、Llama-3等开源与闭源模型（表2）。

主要结果

1. 单OD对行为匹配

• 人类行为复现：LLMTraveler成功捕捉实验室数据中的三大路径切换模式（图6）：
  
  1. 切换率随路径成本差增大而上升，即使当前路径更优仍存在切换（如GPT-4在成本差30分钟时切换率>0）。
     
  2. 非对称网络中，均衡点切换率( p{12} \neq p{21} )（如实验室数据差异显著，而LLMs差异较小）。
     
  3. 切换行为受路径特性影响（如高敏感路径的切换率更高）。
     
• 模型对比：传统MNL无法解释非对称切换差异，而LLMs通过个性化档案（如风险偏好）实现更灵活的行为模拟（表9）。
  

2. 多OD对学习能力

• 收敛性：所有LLMTraveler在100天内趋近用户均衡（UE），但保留合理波动（图9a），符合实证观察（如Iida et al., 1992）。
  
• 三阶段学习：
  
  • 探索阶段（1-20天）：随机选择路径（表13示例）。
    
  • 探索-利用平衡（21-60天）：结合历史EWMATT与有限探索。
    
  • 利用阶段（>60天）：DSR降至0.2以下（图9b），GPT-4趋近零切换。
    

3. 开源模型可行性

轻量级模型（如Llama-3-8B）在行为模拟中表现接近闭源模型（表5），为低成本应用提供可能。

结论与价值

科学意义
1. 理论创新：首次将LLMs引入路径选择建模，突破传统模型的静态假设，通过记忆系统和自然语言推理实现动态适应性。
2. 方法突破：提出融合LLM与交通理论的混合框架，支持复杂决策解释（如路径切换的“惯性”效应）。

应用价值
- 政策模拟：在缺乏历史数据时，通过LLMTraveler预测政策干预（如拥堵收费）下的行为响应。
- 低成本替代：验证开源LLMs的实用性，降低技术门槛。

亮点
- 行为真实性：首次复现实验室中路径切换的非对称性等复杂模式。
- 可解释性：自然语言决策理由（如“选择路径2以探索新选项”）增强模型透明度。
- 跨模型验证：涵盖5种LLMs，证明框架普适性。

局限与展望
- 个性化敏感度：LLM对某些特征（如收入水平）响应不一致（表9），需进一步校准。
- 计算成本：闭源模型API调用费用较高，未来需优化轻量级部署。

（全文约2200字）