你去的地方决定你是谁：基于行为理论引导的 LLM 逆强化学习
人工智能
2025-05-26 v1 机器学习
摘要
大规模轨迹数据在人类移动性分析中具有巨大潜力，但由于缺乏关键旅客属性（尤其是人口统计学信息），其实际应用常受限。虽然先前研究探索了从移动模式预测此类属性，但往往忽视了底层认知机制且预测准确率较低。本研究引入SILIC框架（即Sociodemographic Inference with LLM-guided Inverse Reinforcement Learning (IRL) 和 Cognitive Chain Reasoning (CCR)的缩写），这是一个在认知链推理中捕获潜在行为意图并通过心理构建进行推理的理论基础框架，利用LLM从观察到的移动模式中推断人口统计学属性。特别地，我们的方法明确遵循计划行为理论（TPB），该理论是交通研究中的基础行为框架，用于建模个体在旅行决策过程中所蕴含的潜在认知过程。LLM进一步提供启发式指导，以改善IRL奖励函数的初始化和更新，解决其因奖励空间庞大且非结构化而引发的优化挑战。在2017年普吉斯ound地区委员会家庭旅行调查数据上评估，本方法在准确性和效率上均显著优于最先进的基线方法，展现了为交通规划及更广泛应用从丰富大规模轨迹数据中提取行为依据支持的巨大潜力。
引用
@article{arxiv.2505.17249,
title = {Where You Go is Who You Are: Behavioral Theory-Guided LLMs for Inverse Reinforcement Learning},
author = {Yuran Sun and Susu Xu and Chenguang Wang and Xilei Zhao},
journal= {arXiv preprint arXiv:2505.17249},
year = {2025}
}