基于强化学习增强的生成式前训练转换模型：用于城市交通轨迹的 TrajGPT-R
机器学习
2026-02-25 v1 人工智能
摘要
交通轨迹是理解城市动态和提升城市规划的关键，但因隐私问题往往难以获取。本研究引入一种变革性框架，用于生成大规模城市交通轨迹，采用一种新颖的基于转换模型的预训练和微调两阶段过程。首先，将轨迹生成概念化为一个离线强化学习（RL）问题，通过词汇表空间的显著减少实现 tokenization。将逆强化学习（IRL）集成进可捕捉轨迹级奖励信号，利用历史数据推断个体交通偏好。随后，对预训练模型进行微调，以构建的奖励模型为基础，有效解决传统基于 RL 的自回归方法中存在的长期信用分配和稀疏奖励环境处理难题。在多个数据集上进行全面评估表明，我们的框架在可靠性和多样性方面显著优于现有模型。我们的发现不仅推动了城市交通建模领域的发展，也为模拟城市数据提供了稳健的方法，对于交通管理和城市发展规划具有重大意义。实现代码已公开于 https://github.com/Wangjw6/TrajGPT_R。
关键词
引用
@article{arxiv.2602.20643,
title = {TrajGPT-R: Generating Urban Mobility Trajectory with Reinforcement Learning-Enhanced Generative Pre-trained Transformer},
author = {Jiawei Wang and Chuang Yang and Jiawei Yong and Xiaohang Xu and Hongjun Wang and Noboru Koshizuka and Shintaro Fukushima and Ryosuke Shibasaki and Renhe Jiang},
journal= {arXiv preprint arXiv:2602.20643},
year = {2026}
}
备注
TrajGPT-R is a Reinforcement Learning-Enhanced Generative Pre-trained Transformer for Mobility Trajectory Generation