EventOD：基于LLM引导语义调制的事件感知OD流量生成

估计扰动事件下的起讫点（OD）流量对灾害响应与城市韧性十分重要。在常规出行数据上训练的现有深度OD模型，在极端事件突然改变区域功能与人口活动时往往性能退化，而在事件时监督数据有限的情况下为每个事件重新训练生成器并不现实。我们提出EventOD，一个事件自适应的OD生成框架，利用结构化事件语义来引导预训练OD生成器。EventOD首先使用大语言模型从粗粒度事件观测中推断区域级功能与人口控制向量。随后它学习两个轻量适配模块AlphaNet与BetaNet来校准这些语义偏移的幅度，并进一步为监督稀疏的场景引入检索增强的回退通路。由此得到的事件条件化特征通过输入级调制注入预训练的图扩散OD模型，无需更新生成器参数即可实现事件感知适配。在美国各县飓风与疫情引发出行数据上的实验表明，EventOD在重建精度与分布保真度上均持续优于强基线。源代码发布于https://anonymous.4open.science/r/EventOD-5C11/。