从感知到决策：基于行为理论的野火逃生决策预测
人工智能
2025-06-03 v2 计算与语言
计算机与社会
机器学习
摘要
逃生决策预测对于高效有效的野火响应至关重要，能够帮助应急管理预判交通拥堵和瓶颈，分配资源，并最小化负面影响。传统的统计方法无法捕捉不同个体复杂多样的行为逻辑。本文首次引入FLARE（facilitating LLM for advanced reasoning on wildfire evacuation decision prediction），即基于大语言模型（LLM）的框架，整合行为理论和模型，以简化链式思考（Chain-of-Thought, CoT）推理，并随后集成基于记忆的强化学习（RL）模块，提供准确的逃生决策预测与理解。我们的方法解决了使用现有LLM进行逃生行为预测的局限性，如调查数据有限、与行为理论不匹配、个体偏好冲突、隐含且复杂的心理状态，以及不可计算的心理状态-行为映射问题。在三个野火事后调查数据集上的实验显示，本方法相对于传统理论导向的行为模型平均提升了20.47%的性能，并展现出强大的跨事件泛化能力。我们的完整代码已公开于 https://github.com/SusuXu-s-Lab/FLARE
引用
@article{arxiv.2502.17701,
title = {From Perceptions to Decisions: Wildfire Evacuation Decision Prediction with Behavioral Theory-informed LLMs},
author = {Ruxiao Chen and Chenguang Wang and Yuran Sun and Xilei Zhao and Susu Xu},
journal= {arXiv preprint arXiv:2502.17701},
year = {2025}
}
备注
25 pages, 9 figures