GTA：用于模拟真实出行行为的生成式交通代理

文献标题

GTA: Generative Traffic Agents for Simulating Realistic Mobility Behavior

出版信息

• 主题领域: 使用基于人口数据的生成代理模拟城市交通行为。
• 关键词: 生成代理、城市交通、交通模拟、LLM、SUMO、人口普查数据、交通方式分配、交通建模、人机交互、实证验证。

背景与问题

• 问题/挑战: 传统的交通模拟依赖固定规则和昂贵的数据收集，难以适用于交通创新的早期评估。现有基于LLM的生成代理缺乏实证验证，无法将代理嵌入到真实的城市环境中。
• 重要性: 大规模预测交通选择对城市规划和可持续交通至关重要。可扩展且真实的模拟可以帮助政策制定者和设计师评估新技术和政策的影响。
• 动机与相关工作: 之前关于基于代理的模型和LLM驱动的模拟研究显示了潜力，但受限于手工假设、缺乏社会人口学基础以及未能充分验证真实数据。本文通过引入GTA解决这些问题。

解决方案

• 提出的方法: 生成交通代理（GTA），一种利用LLM驱动、基于人口普查数据的代理框架，用于模拟真实的城市交通行为。
• 创新点:
  1. 将与人口普查数据一致的微观数据与LLM驱动的代理结合，生成异质化、真实的交通行为。
  2. 将代理嵌入城市规模的交通模拟（SUMO）中，以在真实世界约束下建模交通行为。
  3. 对模拟行为进行实证验证，与调查数据和交通流量数据进行对比。
  4. 模块化架构支持与标准数据集和工具的互操作性。
• 流程与关键技术:
  • 个人档案模块: 使用基于人口普查校准的社会人口学数据和LLM生成代理个人档案。
  • 规划模块: 根据代理属性和网络信息选项生成每日活动计划并分配交通方式。
  • 行动模块: 使用SUMO执行交通模拟，结合动态用户均衡以实现真实的路径规划。

结果

• 具体发现:
  • GTA能够接近再现“2017年德国交通调查”中的交通方式分配分布，均方根误差（RMSE）为4.07。
  • 系统性偏差包括低估非常短的行程（<1公里）和高估中等距离行程（2–20公里）。
  • 交通流量模拟捕捉了关键的时间模式，但低估了夜间活动，并显示出更尖锐的早晨峰值。
• 相较基线的优势: GTA在个体和总体层面上实现了行为真实性，在实证验证和城市规模适用性方面优于现有的基于LLM的系统。
• 实验/评估:
  • 模拟了柏林人口的1%（35,769个代理）以及Wedding区的10%样本（8,680个代理）。
  • 将模拟输出与调查数据（交通方式分配、行程长度、持续时间）和交通流量数据进行比较。
  • 进行了消融研究以测试对LLM模型、提示策略和系统配置的敏感性。
• 局限性与未来工作:
  • 行为偏向社会可接受的行动（例如频繁骑行、低夜间活动）。
  • 大规模模拟的高计算成本（例如模拟柏林人口的10%需43小时）。
  • 未来计划包括与其他模拟器（如MATSim）集成、建模社会网络以及为代理添加多日记忆功能。

总结

GTA提出了一种利用LLM驱动、基于人口普查数据的代理框架来模拟城市交通的新方法。通过与SUMO集成并与实证数据进行验证，GTA实现了真实且可扩展的交通行为模拟。系统捕捉了交通方式分配和交通流量的关键趋势，但存在偏差和计算挑战。GTA为交通创新的早期评估提供了一个实用工具，并具有改进多样性、效率和长期行为建模的潜力。