作为城市居民的大语言模型：用于个人出行生成的 LLM 智能体框架
Large Language Models as Urban Residents: An LLM Agent Framework for Personal Mobility Generation
AI总结：
提出一种用于个人出行生成的 LLM 智能体框架，通过自一致性对齐真实活动数据，并以检索增强策略生成可解释活动，实验表明其优于现有方法。
摘要：
本文提出一种将大语言模型（LLM）集成到智能体框架中的新方法，以实现灵活且有效的个人出行生成。LLM 通过有效处理语义数据并在建模各类任务方面提供多功能性，克服了以往模型的局限。我们的方法解决三个研究问题：使 LLM 与真实城市出行数据保持一致，开发可靠的活动生成策略，以及探索 LLM 在城市出行中的应用。关键技术贡献是一个新颖的 LLM 智能体框架，该框架考虑个体活动模式和动机，包括用于使 LLM 与真实活动数据保持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。我们评估了该 LLM 智能体框架，并将其与最先进的个人出行生成方法进行比较，证明了本方法的有效性及其在城市出行中的潜在应用。总体而言，本研究是基于真实人类活动数据设计用于活动生成的 LLM 智能体框架的开创性工作，为城市出行分析提供了一种有前景的工具。
英文摘要：
This paper introduces a novel approach using Large Language Models (LLMs) integrated into an agent framework for flexible and effective personal mobility generation. LLMs overcome the limitations of previous models by effectively processing semantic data and offering versatility in modeling various tasks. Our approach addresses three research questions: aligning LLMs with real-world urban mobility data, developing reliable activity generation strategies, and exploring LLM applications in urban mobility. The key technical contribution is a novel LLM agent framework that accounts for individual activity patterns and motivations, including a self-consistency approach to align LLMs with real-world activity data and a retrieval-augmented strategy for interpretable activity generation. We evaluate our LLM agent framework and compare it with state-of-the-art personal mobility generation approaches, demonstrating the effectiveness of our approach and its potential applications in urban mobility. Overall, this study marks the pioneering work of designing an LLM agent framework for activity generation based on real-world human activity data, offering a promising tool for urban mobility analysis.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
