评估 大语言模型 在基于代理的城市交通仿真中的决策

城市交通建模面临着代表动态环境中决策的挑战。尽管多代理系统被广泛使用，但基于规则的方法依赖于限制自适应行为的固定启发法。这项工作研究了 大语言模型 (LLM) 作为多智能体模拟中的决策组件的集成。我们提出了一种混合架构，通过 API 将 GAMA 平台连接到基于 LLM 的外部模块，使代理能够确定是否有必要重新规划路线。 LLM 不是取代路由算法，而是充当指导重新规划行为的决策层。该方法结合了持久记忆，允许过去的互动影响未来的决策并促进行为的一致性。我们比较了多种道路堵塞场景和人口规模中基于规则的方法和 LLM 辅助的方法。结果表明，启用 LLM 的代理表现出更强的适应性和上下文感知能力，特别是在路由灵活性更高的场景中。内存会影响性能和行为一致性，其影响因配置而异。总体而言，LLM 作为补充认知层，丰富了城市出行模拟中的行为表征，并具有在空间多智能体系统中对复杂决策进行建模的潜力。