大型语言模型作为城市居民：用于个人移动生成的 LLM 代理框架
内容提要
本文综述大语言模型在人类移动性预测、多智能体系统、自动驾驶决策、城市规划及旅行行为预测等领域的应用。研究提出LLM-Mob方法，可捕捉长短期依赖并实现可解释预测；多智能体框架提升了任务协调与工具学习能力，但复杂协调仍受限，且存在幻觉问题。
延伸解读
LLM-Mob 如何提升移动性预测的可解释性
文章指出，LLM-Mob 通过引入历史停留和上下文停留的概念，分别捕捉人类移动性中的长期和短期依赖，并利用预测目标的时间信息实现时间感知预测。评估结果显示，该方法在提供准确预测的同时具备可解释性，这突显了 LLM 在移动性预测领域的未开发潜力。
多智能体协调的潜力与当前局限
基于 LLM 的多智能体系统在复杂问题解决和世界模拟中取得进展，协作生成代理在模拟招聘会中展现出有希望的性能。然而，研究也发现限制，阻碍了它们在更复杂协调任务中的效果。此外，LLM 在旅行行为预测中虽能输出预测原因，但存在逻辑矛盾或幻觉的情况。
LLM 在城市规划与自动驾驶中的实践
文章提到，创新城市规划方法将 LLM 与参与式过程结合，通过角色扮演、协作生成和反馈迭代的框架解决社区级土地利用任务，在满意度和包容性上超过人类专家，在服务和生态方面与强化学习相当。在自动驾驶中，LLM 的语言和推理能力被用于增强决策，改善驾驶体验并提升安全。
Q&A
LLM-Mob 方法是如何提升人类移动性预测的？
LLM-Mob 通过引入历史停留和上下文停留的概念，捕捉人类移动性中的长期和短期依赖，并利用预测目标的时间信息实现时间感知预测，从而提供准确且可解释的预测。
基于大语言模型的多智能体系统目前面临哪些主要挑战？
主要挑战包括在复杂协调任务中效果受限，以及存在幻觉问题。
大语言模型在自动驾驶决策中有什么应用价值？
利用大语言模型的语言和推理能力，可以增强自动驾驶车辆的决策过程，改善驾驶决策、提供个性化驾驶体验，并提升自动驾驶的安全性和效果。
大语言模型如何辅助城市规划？
通过将大语言模型与参与式过程结合，基于角色扮演、协作生成和反馈迭代的框架，可以解决社区级土地利用任务，在满意度和包容性上超过人类专家，并与强化学习方法在服务和生态方面表现相当。
使用大语言模型进行旅行行为预测有什么优缺点？
优点是不需要数据参数学习，准确性可与传统监督学习方法相媲美，并能输出预测的原因；缺点是可能存在逻辑矛盾或幻觉。
多语言模型框架在工具学习方面有什么优势？
该框架将大语言模型能力分解为规划器、调用器和摘要生成器，并通过两阶段训练范式有效训练，在各种工具使用基准测试中超越传统单语言模型方法，凸显了其在工具学习中的功效和优势。
