图RAG作为人类选择模型：基于偏好链构建数据驱动的交通主体
人工智能
2025-09-08 v2
摘要
理解城市环境中人类行为是城市科学中的关键领域，但在新开发地区收集准确行为数据具有诸多挑战。近期，基于大语言模型（LLM）的生成式主体在无需大量数据集成模拟人类行为方面显示出前景。然而，这些方法常在生成一致、情境感知且真实的行为输出方面存在困难。为此，本文引入偏好链（Preference Chain）方法，将图检索增强生成（Graph RAG）与LLM结合，以增强交通系统中人类行为的情境感知模拟。实验在 Replica 数据集上进行，结果表明偏好链在与真实交通方式选择一致性方面优于标准LLM。移动主体（Mobility Agent）的开发凸显了该方法在新兴城市的城市交通建模、个性化旅行行为分析和动态交通预测中的潜在应用。尽管存在推理缓慢和幻觉风险等局限，但该方法为在数据稀缺环境中模拟复杂人类行为提供了有前景的框架，传统数据驱动模型在数据有限的情况下难以胜任。
引用
@article{arxiv.2508.16172,
title = {Graph RAG as Human Choice Model: Building a Data-Driven Mobility Agent with Preference Chain},
author = {Kai Hu and Parfait Atchade-Adelomou and Carlo Adornetto and Adrian Mora-Carrero and Luis Alonso-Pastor and Ariel Noyman and Yubo Liu and Kent Larson},
journal= {arXiv preprint arXiv:2508.16172},
year = {2025}
}