从叙述到行动:一种用于可解释和自适应人类移动行为生成的分层认知大语言模型智能体框架

《Engineering Applications of Artificial Intelligence》:From narrative to action: A hierarchical cognitive large language model agent framework for interpretable and adaptive human mobility behavior generation

【字体: 大 中 小 】 时间:2026年09月19日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   •用于日常出行生成的叙事到行动层级化大语言模型智能体框架。•职业出行熵,用于捕捉决策中的职业异质性。•反思驱动的执行机制,支持对已规划活动的自适应修订。•在真实出行日记数据上提升了空间、时间和语义保真度。引言人类出行是城市系统运行的主要驱动力,影响着交通拥堵、可达性、排放水平

  
  • •
    用于日常出行生成的叙事到行动层级化大语言模型智能体框架。
  • •
    职业出行熵,用于捕捉决策中的职业异质性。
  • •
    反思驱动的执行机制,支持对已规划活动的自适应修订。
  • •
    在真实出行日记数据上提升了空间、时间和语义保真度。

引言

人类出行是城市系统运行的主要驱动力,影响着交通拥堵、可达性、排放水平以及交通收益和负担在不同社会群体间的分配(Fuller and Moore, 2017, Boeing et al., 2022)。因此,个体层面的出行数据和仿真模型在需求预测、政策测试和公平性评估中处于核心地位(Yang et al., 2023)。然而,两个结构性约束限制了真实轨迹数据的实际使用。第一,细粒度的位置轨迹属于最敏感的个人隐私信息类别之一,其收集和共享受到严格监管(Voigt and Von dem Bussche, 2017)。第二,即使在获得数据访问权限的情况下,数据覆盖往往稀疏或有偏,大规模、高分辨率的活动日记仍然获取成本高昂且难以跨情境推广(Sookhak et al., 2018, Fiore et al., 2019)。
这些约束推动了隐私保护且具有行为合理性的出行仿真研究(Kapp et al., 2023, U?urel et al., 2024)。然而,面向政策的仿真不仅需要复现聚合分布,还必须解释个体为何选择特定活动、计划如何转化为可行行动,以及当激励、约束或信息发生变化时行为如何改变。基于规则的经典统计生成器可以产生可行序列,但它们往往依赖固定假设,可能低估了人类决策的情境逻辑(Song et al., 2010a, Lu et al., 2013)。深度生成模型改善了分布匹配效果(Berke et al., 2022, Mauro et al., 2022),但它们通常将出行视为时空序列建模问题。因此,生成的轨迹在总体上可能显得真实,却在个体层面缺乏语义连贯性和因果解释(Merhi et al., 2024)。
大语言模型(LLMs)(Achiam et al., 2023, Liu et al., 2024, Team et al., 2024)为以自然语言表达目标、情境和常识因果推理提供了有前景的途径。它们可以生成语义丰富的日常活动日程,并为仿真决策提供人类可读的理由。然而,现有基于LLM的出行研究大多仍将LLM主要用作出行输出的灵活生成器,而非将其嵌入明确的行为决策过程中(Li et al., 2024, Haydari et al., 2024, Amin et al., 2025)。尽管近期基于LLM智能体的出行研究已向更具交互性和仿真导向的设计方向发展(Feng et al., 2024, Ju et al., 2025, Liu et al., 2025a, Du et al., 2025, Wang et al., 2025a),但从意图形成到行动执行的认知过程仍未得到充分规范。因此,难以检查活动意图如何转化为时空可行的行为,或在条件变化时这些行动在执行过程中如何被修订(Wang et al., 2024, Liu et al., 2025b, Ju et al., 2025)。然而,从行为学角度看,人类出行可以被视为一种层级化认知过程,其中抽象目标被逐步转化为具体行动。在该过程的不同层次上,决策受到不同动机、约束和情境驱动因素的影响,从长期个人需求和社会角色到每日计划和具体执行条件(H?gerstrand, 1970, Miller, 1991)。本研究基于信念-欲望-意图(BDI)模型(Rao et al., 1995, Davidsson, 2002),将该层级认知结构映射到出行领域,并将人类出行行为分解为从目标形成到计划承诺再到行动执行的分层过程。这一视角为出行活动如何形成、组织和执行提供了结构化的认知解释。
受此视角启发,本文提出叙事到行动(Narrative-to-Action)框架,一种受认知启发的层级化出行行为仿真框架,以应对上述挑战。该框架整合了三个相互关联的层次。在宏观层面,叙事推理创建包含动机、约束和情境线索的日记式故事情节。在中观层面,反思规划将叙事转化为结构化、可机器执行的活动计划,并支持日间计划修订。该反思过程由职业出行熵(Mobility Entropy by Occupation, MEO)引导,MEO编码了特定职业的灵活性,并指示在计划执行过程中是否需要重新考虑已规划的活动。在微观层面,行为执行将计划落实到地理环境中,产生具体的活动、地点和交通方式序列。
本研究的主要贡献如下:
  • •
    我们提出叙事到行动框架,一种层级化LLM智能体框架,将人类出行建模为从叙事意图到可执行规划和基于环境的行动的可认知解释多级过程。该框架在统一的仿真过程中明确连接了语义推理、结构化活动规划与行为执行。
  • •
    我们引入一种职业感知的反思决策机制,将社会异质性与日内计划修订联系起来。通过使用MEO表示职业灵活性差异,该框架建模了不同社会角色的个体在时间约束和情境约束出现时可能如何维持或调整其已规划活动。
  • •
    我们通过基于真实出行日记数据的实证评估证明了所提框架的有效性。结果表明,该框架相比LLM智能体和非LLM生成基线在空间、时间、语义和行为保真度方面均有提升,同时额外的消融实验、鲁棒性分析和计算分析阐明了其关键组件的贡献和实际可行性。
本文其余部分组织如下。第2节回顾了出行行为仿真、LLM智能体、混合智能以及近期LLM智能体在出行仿真中的应用。第3节介绍叙事到行动框架及其三级实现。第4节描述数据集、评估指标、消融设置和实现细节。第5节呈现实证结果。第6节讨论意义、局限性和未来方向。第7节总结全文。

章节摘要

出行仿真:行为模型与生成方法

传统出行仿真通过基于活动的模型、基于效用的选择模型、基于规则的系统以及基于智能体的交通仿真器发展而来。基于活动的模型将出行表示为日常活动组织的一部分,捕捉人们何时进行活动以及出行如何链接为出行链(Bowman and Ben-Akiva, 2001, Davidson et al., 2007, Miller, 2023)。基于规则和基于效用的系统进一步建模了活动目的、时间、目的地和方式选择

方法论

本文将人类出行操作化为一种层级化认知过程,其中抽象活动目标被逐步转化为可执行行动。遵循BDI视角,所提框架将该过程分解为三个相互关联的层次:宏观层面的叙事推理,通过个人目标、动机和情境线索外化欲望;中观层面的反思规划,将这些欲望承诺为作为意图的结构化活动计划

数据集与仿真环境

本研究的验证数据来源于广州市开展的一项综合性出行日记调查,包含2018年11月至2019年1月期间收集的约2000条个体活动记录。该调查覆盖了天河区棠下地区七个具有多样化建成环境的居住社区,包括商品住房小区、城中村和公共租赁住房。这种住房类型的组合自然容纳了具有不同

MEO验证与提示鲁棒性

我们从两个互补的角度评估MEO:行为有效性和提示鲁棒性。行为有效性分析考察MEO是否与出行日记数据中可观察到的约束相对应,使用工作时长比(Workplace Duration Ratio, WDR)和活动熵(Activity Entropy, AE)进行分析;提示鲁棒性分析则检验MEO在替代提示表述下是否保持稳定。
对于行为有效性,参与者被分层为高约束组(低MEO)和低约束组

讨论

结果表明,叙事到行动框架的主要价值在于将出行仿真视为行为形成与执行的过程,而不仅仅是生成最终活动或轨迹序列。在此视角下,自然语言叙事外化了高层次活动意图,结构化计划将这些意图转化为可执行的每日日程,而执行过程中的决策则基于地点、交通方式、记忆状态和情境

结论

本研究提出了叙事到行动框架,一种用于可解释和自适应人类出行仿真的层级化LLM智能体框架。该框架将出行生成分解为宏观层面的叙事意图形成、中观层面的反思计划修订和微观层面的行为执行,将仿真轨迹与中间叙事、结构化计划和执行过程中的决策联系起来。MEO驱动的反思机制进一步引入了职业条件下的行为

CRediT作者贡献声明

李秋蒙:写作—审校与编辑、验证、监督、方法论、资金获取、形式分析、数据整理、概念化。纪春后:写作—原稿、可视化、验证、软件、方法论、调查研究、形式分析。刘心月:写作—审校与编辑、写作—原稿、可视化。

生成式AI及AI辅助技术在写作过程中的声明

在本工作的准备过程中,作者使用了ChatGPT以提高手稿的可读性和清晰度。在使用该工具后,作者对内容进行了审查和编辑,并对已发表文章的内容承担全部责任。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知财务利益冲突或个人关系。

致谢

本研究由国家自然科学基金资助(项目编号:T2600668)。我们还感谢广东省项目的支持(项目编号:2024QN11G197)。
李秋蒙|纪春后|刘心月
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号