用于模拟连续人类行为的分层生成代理

复杂的认知、情感和社会过程影响着自然灾害期间的人员疏散。对灾难或紧急情况下人类行为的准确建模和理解可以通过提供更有效的规划和资源分配来极大地影响疏散过程。然而，在这些情况下收集人类数据非常困难，并且现有的计算疏散模型假设理性、同质的行为，导致不切实际、过于乐观的预测。为了解决这一差距，我们提出了一个在疏散场景中人类连续决策的模拟框架，引入了基于认知的、角色驱动的代理。我们的框架对基于网格的城市环境中的疏散行为进行建模，该环境随着时间的推移而演变，捕捉火灾和其他危险。人类代理被建模为角色，根据环境刺激做出顺序决策，其认知分为三个层次：高层疏散目标、中层路线推理和低层导航。决策由 大语言模型 (LLM) 与认知模块相结合驱动，并根据人类疏散经验数据进行校准。我们提出了一个动态的、刺激驱动的灾难模拟框架，该框架使用角色条件 LLM 代理和认知层次结构来模拟人类疏散决策。