CALM：用于基于活动的旅行者模拟的校准大语言模型选择网络框架

摘要

我们提出了 CALM，一个可重复的混合框架，它将可选的大语言模型 (LLM) 活动规划器与校准的随机选择、共享网络反馈、记忆和习惯、类型化可行性检查和确定性离线重放集成在一起。与行程模式分类器或纯日记生成器不同，CALM 执行封闭的旅行者日循环，并根据经验、可重复的基线评估每个生成模块。在 2024 年纽约市全市出行调查 (CMS) 中，受访者将 110,691 次七种模式出行分为 78,487 次训练出行和 32,204 次坚持出行。仅训练替代特定常数校准将 10 个种子的平均保留模式 Jensen-Shannon 散度从 0.15599 降低到 0.00394。然后，匹配的实时 LLM 消融量化了聚合拟合、时间拟合、行为持久性和可行性之间的权衡，而冻结的提示响应对支持下游模拟的确定性重放。受控的天气、延误、票价和停车梯进一步证明了干预下一致且可解释的反应。 CALM 提供了一个可重复的协议，用于通过人不相交校准、匹配模块消融、受控压力测试和端到端可追溯性来集成和评估旅行者模拟中的生成规划器。