AI-Driven Day-to-Day Route Choice

📄 arXiv: 2412.03338v2 📥 PDF

作者: Leizhen Wang, Peibo Duan, Zhengbing He, Cheng Lyu, Xin Chen, Nan Zheng, Li Yao, Zhenliang Ma

分类: cs.LG, cs.AI

发布日期: 2024-12-04 (更新: 2024-12-31)

DOI: 10.1016/j.trc.2025.105307

💡 一句话要点

提出基于LLM的出行者建模框架LLMTraveler，用于模拟日常路径选择行为

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 路径选择 大型语言模型 出行者建模 智能交通 交通仿真

📋 核心要点

  1. 现有路径选择模型依赖于预定义假设，难以捕捉出行行为的动态性和适应性。
  2. LLMTraveler框架利用LLM作为核心，结合记忆系统，模拟出行者基于经验和个性化的决策过程。
  3. 实验表明LLMTraveler在单OD和多OD场景下均能较好地模拟人类路径选择行为，并提供决策解释。

📝 摘要（中文）

为了帮助决策者在正常和异常情况下制定最佳运营和规划策略，本文提出了一种基于大型语言模型（LLM）的出行者建模框架LLMTraveler。该框架以LLM为核心，配备记忆系统，通过平衡检索到的数据和个性特征来学习和决策。研究通过两个阶段的日常拥堵博弈系统地评估了LLMTraveler模拟人类决策的能力：(1) 在单一起始地-目的地（OD）对场景中分析其路径切换行为，结果与实验室数据一致，但无法用传统模型完全解释；(2) 在Ortuzar和Willumsen（OW）网络上的多OD场景中测试其自适应学习行为建模能力，结果与多项Logit（MNL）和强化学习（RL）模型相当。实验表明，该框架可以在路径选择中部分地复现类似人类的决策，并为其决策提供自然语言解释，从而为交通政策制定提供有价值的见解，例如模拟出行者对新政策或网络变化的反应。

🔬 方法详解

问题定义：现有路径选择模型通常依赖于人为设定的规则和假设，难以捕捉出行者复杂的决策过程，尤其是在动态交通环境下。传统模型在处理出行者的异质性、学习能力和对突发事件的反应方面存在局限性。因此，需要一种更灵活、更具适应性的方法来模拟出行者的路径选择行为。

核心思路：本文的核心思路是利用大型语言模型（LLM）强大的语言理解和生成能力，构建一个能够模拟人类出行者决策过程的智能体。通过赋予LLM记忆能力和个性化特征，使其能够根据历史经验和当前环境做出合理的路径选择，并提供自然语言解释。这种方法旨在克服传统模型的局限性，更真实地反映出行者的行为模式。

技术框架：LLMTraveler框架主要包含以下几个模块：1) LLM核心：负责接收环境信息、检索记忆、生成决策和解释；2) 记忆系统：存储出行者的历史经验，包括路径选择、出行时间、拥堵情况等；3) 环境接口：提供实时的交通信息，如路段拥堵程度、替代路径等；4) 决策模块：根据LLM的输出，选择具体的出行路径。整个流程如下：出行者接收到环境信息后，LLM从记忆系统中检索相关经验，结合个性化特征，生成路径选择决策，并输出自然语言解释。

关键创新：该论文的关键创新在于将大型语言模型应用于出行者建模，并构建了一个完整的LLM-empowered智能体框架。与传统模型相比，LLMTraveler能够更好地捕捉出行者的异质性、学习能力和对环境变化的适应性。此外，LLMTraveler还能够提供自然语言解释，帮助理解出行者的决策过程。

关键设计：LLMTraveler的关键设计包括：1) LLM的选择：选择具有较强语言理解和生成能力的LLM，如GPT系列；2) 记忆系统的设计：采用合适的记忆存储和检索机制，以便LLM能够快速访问相关经验；3) 个性化特征的建模：通过调整LLM的参数或prompt，赋予出行者不同的个性化特征，如风险偏好、时间价值等；4) 奖励函数的设计：在多OD场景中，通过奖励函数引导LLMTraveler学习最优的路径选择策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LLMTraveler在单OD场景下能够复现实验室数据中的路径切换行为，且这种行为无法用传统模型完全解释。在多OD场景下，LLMTraveler的性能与MNL和RL模型相当，证明了其在复杂交通网络中建模出行者行为的能力。此外，LLMTraveler能够提供自然语言解释，为理解出行者的决策过程提供了新的视角。

🎯 应用场景

该研究成果可应用于交通政策评估、交通仿真和智能交通系统等领域。例如，可以利用LLMTraveler模拟出行者对新收费政策或道路建设的反应，从而为政策制定提供依据。此外，LLMTraveler还可以用于交通仿真，预测交通拥堵情况，并为出行者提供个性化的路径规划建议。该研究有助于提高交通系统的效率和可持续性。

📄 摘要（原文）

Understanding travelers' route choices can help policymakers devise optimal operational and planning strategies for both normal and abnormal circumstances. However, existing choice modeling methods often rely on predefined assumptions and struggle to capture the dynamic and adaptive nature of travel behavior. Recently, Large Language Models (LLMs) have emerged as a promising alternative, demonstrating remarkable ability to replicate human-like behaviors across various fields. Despite this potential, their capacity to accurately simulate human route choice behavior in transportation contexts remains doubtful. To satisfy this curiosity, this paper investigates the potential of LLMs for route choice modeling by introducing an LLM-empowered agent, "LLMTraveler." This agent integrates an LLM as its core, equipped with a memory system that learns from past experiences and makes decisions by balancing retrieved data and personality traits. The study systematically evaluates the LLMTraveler's ability to replicate human-like decision-making through two stages of day-to-day (DTD) congestion games: (1) analyzing its route-switching behavior in single origin-destination (OD) pair scenarios, where it demonstrates patterns that align with laboratory data but cannot be fully explained by traditional models, and (2) testing its capacity to model adaptive learning behaviors in multi-OD scenarios on the Ortuzar and Willumsen (OW) network, producing results comparable to Multinomial Logit (MNL) and Reinforcement Learning (RL) models. These experiments demonstrate that the framework can partially replicate human-like decision-making in route choice while providing natural language explanations for its decisions. This capability offers valuable insights for transportation policymaking, such as simulating traveler responses to new policies or changes in the network.