MobiVerse：基于混合轻量领域特定生成器和大语言模型的城市交通仿真扩展框架
人工智能
2025-06-30 v1
摘要
理解和建模人类 mobility 模式对于有效的交通规划和城市发展至关重要。尽管 mobility 研究取得了显著进展，但仍存在关键缺口：缺乏可进行算法开发、政策实施和大规模综合评估的仿真平台。传统基于活动的模型需要大量数据收集和手动标定，机器学习方法在应对动态条件方面受限，而基于大语言模型(LLM)的仿真实现面临大规模仿真的计算约束。为解决这些挑战，我们提出了 MobiVerse—a 一个混合框架，利用轻量级领域特定生成器高效生成基础活动链，并利用 LLM 的适应性进行情境感知修改。我们在加州洛杉矶的 Westwood 区进行了案例研究，在标准 PC 上高效生成并动态调整约 53,000 名代理的日程。我们的实验表明，MobiVerse 成功实现了代理对环境反馈的响应，包括道路关闭、足球比赛等大型聚会事件以及拥堵，通过我们的混合框架。其模块化设计促进了在交通系统和代理层面测试各种 mobility 算法。结果表明，我们的方法在保持计算效率的同时增强了行为真实性。MobiVerse 通过为 mobility 系统规划和运营提供可定制的平台，弥合了 mobility 仿真的差距，同时提供基准算法。代码和视频可在 https://github.com/ucla-mobility/MobiVerse 查看。
引用
@article{arxiv.2506.21784,
title = {MobiVerse: Scaling Urban Mobility Simulation with Hybrid Lightweight Domain-Specific Generator and Large Language Models},
author = {Yifan Liu and Xishun Liao and Haoxuan Ma and Jonathan Liu and Rohan Jadhav and Jiaqi Ma},
journal= {arXiv preprint arXiv:2506.21784},
year = {2025}
}