将聚合流动统计数据提炼为事件后人群模拟的语言模型策略

行人模拟器需要为每个代理制定一个行为规则，但隐私通常会限制设置聚合统计数据的数据，即区域级设备计数和起点到目的地 (OD) 流量，而没有单独的轨迹。这种聚合不能充分确定个人行为，因为许多不同的决策集会产生相同的计数。我们对语言模型人群代理进行微调，以便模拟人群与观察到的目的地组成（前往每个兴趣点的离开人群的比例）相匹配。我们从 OD 流中读取该目标，并通过迭代比例拟合将模型自身的目标分布重新加权到该目标上。由于 微调 膨胀了主要目标类别，因此我们将低秩适配器拟合到重新采样的轨迹，以达到在此膨胀后达到目标的校正训练组合。在移动网络上，对两场棒球比赛进行计数，经过微调的代理在没有推理时间校正的情况下运行，将目的地共享错误减少了 25%，而网格相关性在不同策略中保持相似。