ActivityEditor：学习合成物理上有效的人类出行

人类出行建模对多种城市应用不可或缺。然而，现有数据驱动方法常受困于数据稀缺，限制了其在历史轨迹不可得或受限地区的适用性。为弥合这一鸿沟，我们提出ActivityEditor，一个面向零样本跨区域轨迹生成的新型双LLM智能体框架。我们的框架将复杂的合成任务分解为两个协作阶段。具体而言，基于意图的智能体利用人口统计驱动的先验生成结构化的人类意图与粗粒度活动链，以确保高层社会语义一致性。这些输出随后由编辑智能体通过强制人类出行规律的迭代修订进行精炼，以获得出行轨迹。这一能力通过以真实世界物理约束为基础的多重奖励的强化学习获得，使智能体内化出行规律并确保高保真轨迹生成。大量实验表明，ActivityEditor在跨多样城市环境迁移时实现了卓越的零样本性能。它保持高统计保真度与物理有效性，为数据稀缺场景下的出行模拟提供了鲁棒且高度可泛化的解决方案。我们的代码见：https://anonymous.4open.science/r/ActivityEditor-066B。