论文
面向可扩展 LLM 人类移动模拟的移动感知缓存框架
Mobility-Aware Cache Framework for Scalable LLM-Based Human Mobility Simulation
摘要
大规模人体流动模拟对于城市规划、流行病学和交通分析等应用至关重要。最近的工作将大语言模型（LLM）视为人类代理，使用结构化推理来模拟现实的移动行为，但其高计算成本限制了可扩展性。为了解决这个问题，我们设计了一个名为 MobCache 的移动感知缓存框架，它利用可重构缓存来实现高效的大规模人体移动模拟。它包括：（1）一个推理组件，将每个推理步骤编码为潜在空间嵌入，并使用潜在空间评估器来实现推理步骤的重用和重组； （2）解码组件，采用经过迁移率约束蒸馏训练的轻量级解码器，将潜在空间推理链转换为自然语言，从而在保持保真度的同时提高模拟效率。实验表明，MobCache 显着提高了多个维度的效率，同时保持了与最先进的基于 LLM 的方法相当的性能。
