基于人口普查与土地利用数据的大型语言模型生成个体旅行日记
计算与语言
2025-10-22 v2 人工智能
机器学习
摘要
本研究引入一种大型语言模型（LLM）方案，用于生成代理基运输模型中的个体旅行日记。传统方法依赖大量专有数据中的家庭旅行调查，而本研究方法通过直接提示（direct prompting）方式，从开源的美国人口普查局（American Community Survey, ACS）和智能地点数据库（Smart Location Database, SLD）数据中随机生成角色，再综合日记。本研究提出一种新型的“一对-群体”现实性评分（one-to-cohort realism score）：由四个指标组成（行程计数得分、区间得分、目的得分和模式得分），并通过对照康涅狄格州全州交通研究（Connecticut Statewide Transportation Study, CSTS）日记进行验证，按人口统计变量进行匹配。验证采用 Jensen-Shannon 散度（Jensen-Shannon Divergence）衡量生成日记与真实日记之间的分布相似性。与使用经典方法（行程生成采用负二项分布；模式/目的采用多项逻辑律）在验证集上校准生成的日记相比，LLM 生成的日记在整体现实性方面表现相当（LLM 平均值：0.485 vs. 0.455）。LLM 在确定行程目的方面表现突出，并展现出更好的一致性（更窄的现实性评分分布），而经典模型在行程计数和活动持续时间的数值估计方面更具优势。总体验证确认 LLM 的统计代表性（LLM 平均值：0.612 vs. 0.435），证明了 LLM 的零样本可行性，并为未来合成日记评估系统建立了可量化的现实性指标。
引用
@article{arxiv.2509.09710,
title = {Generating Individual Travel Diaries Using Large Language Models Informed by Census and Land-Use Data},
author = {Sepehr Golrokh Amin and Devin Rhoads and Fatemeh Fakhrmoosavi and Nicholas E. Lownes and John N. Ivan},
journal= {arXiv preprint arXiv:2509.09710},
year = {2025}
}