DOI: https://doi.org/10.1016/j.trc.2026.105818
تاريخ النشر: 2026-06-24
المؤلف: Tianming Liu وآخرون
الموضوع الرئيسي: تخطيط النقل وتحسينه
نظرة عامة
تقدم البحث إطار عمل ثنائي الوكيل يهدف إلى تعزيز محاكاة سلوكيات تعلم وتكيف المسافرين البشر ضمن أنظمة النقل. يتكون هذا الإطار من وكلاء مسافرين يعتمدون على نموذج اللغة الكبير (LLM)، الذين يستخدمون نظام ذاكرة وشخصية قابلة للتعلم لتقليد عملية اتخاذ القرار البشرية، ووكيل معايرة LLM الذي يقوم بتحسين هذه الشخصيات من خلال عملية آلية عبر الإنترنت. من خلال استخدام طريقة “الانحدار الزائف” النصي، يسهل وكيل المعايرة التوافق المستمر بين المسافرين المحاكين وسلوكيات البشر الفعلية. تظهر النتائج التجريبية من مجموعة بيانات من العالم الحقيقي أن هذه الطريقة تحسن بشكل كبير توافق السلوك الفردي (زيادة في درجة F1 بنسبة 16.7%) ودقة محاكاة تدفق المرور الإجمالي (تقليل بنسبة 20.7% في متوسط خطأ تدفق المسار التربيعي) مقارنة بالطرق الحالية.
تشير النتائج إلى أن الإطار المقترح لا يلتقط فقط النتائج السلوكية ولكن يتكيف أيضًا مع استراتيجيات اتخاذ القرار المتطورة للمسافرين الأفراد. يتماشى النموذج بشكل فعال مع بيانات الحقيقة الأرضية البشرية، خاصة خلال فترات التغيير السلوكي الكبير. بالإضافة إلى ذلك، يتم تعزيز الكفاءة الحسابية للإطار من خلال تلخيص السلوكيات المتعلمة في شخصيات مضغوطة وذاكرات ثابتة الطول، مما يقلل من استخدام الرموز الإجمالي أثناء التدريب والتقييم. تشمل اتجاهات البحث المستقبلية تحسين كفاءة عملية المعايرة عبر الإنترنت واستكشاف آليات التعلم المشترك لاسترجاع الشخصية والذاكرة، مما قد يعزز المزيد من قابلية التكيف والتخصيص لأساليب اتخاذ القرار للوكلاء.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية نمذجة الوكلاء في تحليل وتخطيط أنظمة النقل، مع التأكيد على الحاجة إلى تمثيلات دقيقة لسلوكيات التعلم والتكيف البشرية بين المسافرين. يجادل المؤلفون بأن فعالية هذه النماذج تعتمد على قدرة الوكلاء على تقليد عمليات اتخاذ القرار البشرية، التي تتأثر بالتجارب السابقة والعقلانية المحدودة. يمكن أن تؤدي التوصيفات الخاطئة في هذا النمذجة إلى استثمارات بنية تحتية معيبة وقرارات سياسة غير فعالة.
لمعالجة قيود النماذج التقليدية، تقترح الورقة إطار عمل جديد ثنائي الوكيل يعتمد على نموذج اللغة الكبير (LLM) يهدف إلى تعزيز محاكاة سلوكيات التعلم والتكيف للمسافرين. يتكون هذا الإطار من وكلاء مسافرين يعتمدون على LLM، الذين يحاكون قرارات السفر اليومية، ووكيل معايرة يقوم بتحسين هذه المحاكاة بناءً على بيانات سلوك السفر في العالم الحقيقي. يؤكد المؤلفون أن نهجهم لا يحسن فقط توافق السلوكيات المحاكية مع ديناميات المسافرين الفعلية، بل يلتقط أيضًا تطور استراتيجيات اتخاذ القرار بمرور الوقت. يمثل هذا العمل تقدمًا كبيرًا في إنشاء وكلاء واقعيين سلوكيًا وقابلين للتكيف لنمذجة النقل، مستفيدًا من قدرات LLMs لإنتاج محاكاة أكثر دقة وتفصيلًا.
طرق
في هذا القسم، يحدد المؤلفون مشكلة توافق وكيل LLM (نموذج اللغة الكبير) ضمن سياق نظام النقل الذي يتكون من $M$ وكلاء غير متجانسين، يُشار إليهم بـ $N = \{n_1, n_2, \ldots, n_M\}$، يتفاعلون مع بيئة $E$. يمثل كل وكيل $n_i \in N$ مسافرًا، بينما تشمل البيئة البنية التحتية للنقل. تتطور ديناميات النظام على فترات زمنية منفصلة مؤشرة بـ $t = 1, 2, \ldots$، حيث يتم توضيح التفاعلات بين الوكلاء والبيئة بشكل منهجي.
تشمل المنهجية تحليلًا مقارنًا للنهج المقترح مقابل الطرق الحالية المعتمدة على LLM والطرق المدفوعة بالنظرية. يتم وصف ثلاث طرق أساسية: Base-LLM، الذي يستخدم LLM غير المعدل الذي يحتفظ بذاكرة للتجارب السابقة في السفر؛ Recursive-LLM، الذي يتضمن عملية تلطيف أسي تكرارية لتحديث تصورات أوقات السفر على الطرق؛ و Bounded-LLM، الذي ينشط التحديثات لأوقات السفر المدركة بناءً على محفز عقلانية محدودة. تستخدم هذه الطريقة الأخيرة نموذج تعظيم المنفعة العشوائية المتأثر بالسلوك المعتاد، حيث من المحتمل أن يكرر الوكلاء الخيارات السابقة ما لم تؤدي الفجوات الكبيرة بين أوقات السفر المدركة والفعلية إلى إعادة تقييم.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بسلوك النظام، كما يتضح من قيمة معامل التحديد العالية ($R^2$)، مما يدل على توافق قوي بين القيم المرصودة والمتوقعة.
علاوة على ذلك، تظهر نتائج تحليل التباين (ANOVA) أن الفروق بين المجموعات كبيرة، مما يدعم الفرضية بأن العلاج له تأثير قابل للقياس. تشمل النتائج أيضًا تمثيلات رسومية، مثل المخططات النقطية والرسوم البيانية، التي تعزز بصريًا النتائج الكمية. بشكل عام، توفر النتائج أدلة قوية على فعالية التدخل وتساهم في الجسم المعرفي القائم في هذا المجال.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على الاهتمام المتزايد في الاستفادة من نماذج اللغة الكبيرة (LLMs) لنمذجة ومحاكاة سلوك السفر البشري. تستعرض الأدبيات الحالية التي تظهر قدرة LLMs على تقليد عمليات اتخاذ القرار البشرية في سياقات السفر المختلفة، مثل اختيار الوسيلة واختيار الوجهة. بينما تؤكد هذه الدراسات على إمكانية LLMs في توليد سلوكيات سفر معقولة، فإنها تكشف أيضًا عن قيود كبيرة، بما في ذلك عدم التوافق في التفضيلات وقواعد اتخاذ القرار مقارنة بالسلوك البشري الفعلي. وهذا يبرز ضرورة تحسين LLMs بشكل أكبر لتعزيز موثوقيتها في المحاكاة السلوكية.
لمعالجة هذه التحديات، تقترح الورقة تقدمين منهجيين: تعزيز وكلاء LLM من خلال أنظمة الذاكرة وتعلم الشخصية. يسمح نظام الذاكرة للوكلاء بتخزين واستخدام التجارب السابقة، مما يحسن اتخاذ القرار من خلال محاكاة العمليات المعرفية البشرية. من ناحية أخرى، ينطوي تعلم الشخصية على تخصيص وكلاء بشخصية مفصلة تجسد خصائصهم الجوهرية، مما يعزز بشكل كبير دقة المحاكاة. يقدم المؤلفون نهجًا جديدًا ثنائي الوكيل LLM لمعايرة هذه الشخصيات، مما يمكّن من التعديلات الآلية بناءً على السلوكيات المرصودة. تهدف هذه العملية التكرارية للمعايرة إلى تحسين وظائف اتخاذ القرار للوكلاء، مما يؤدي في النهاية إلى محاكاة أكثر دقة وموثوقية لسلوك السفر البشري.
DOI: https://doi.org/10.1016/j.trc.2026.105818
Publication Date: 2026-06-24
Author(s): Tianming Liu et al.
Primary Topic: Transportation Planning and Optimization
Overview
The research presents a dual-agent framework aimed at enhancing the simulation of human travelers’ learning and adaptation behaviors within transportation systems. This framework comprises LLM traveler agents, which utilize a memory system and a learnable persona to mimic human decision-making, and an LLM calibration agent that optimizes these personas through an automated online process. By employing a textual “pseudo-gradient” descent method, the calibration agent facilitates continuous alignment between the simulated travelers and actual human behaviors. Empirical results from a real-world dataset demonstrate that this approach significantly improves individual behavioral alignment (F1-score increase of 16.7%) and aggregate traffic flow simulation accuracy (20.7% reduction in route flow mean squared error) compared to existing methods.
The findings indicate that the proposed framework not only captures behavioral outcomes but also adapts to the evolving decision-making strategies of individual travelers. The model effectively aligns with human ground-truth data, particularly during periods of significant behavioral change. Additionally, the framework’s computational efficiency is enhanced by summarizing learned behaviors into compact personas and fixed-length memories, reducing the overall token usage during training and evaluation. Future research directions include improving the efficiency of the online calibration process and exploring joint learning mechanisms for persona and memory retrieval, which could further enhance the adaptability and personalization of the agents’ decision-making styles.
Introduction
The introduction of this research paper highlights the significance of agent-based modeling in analyzing and planning transportation systems, emphasizing the need for accurate representations of human learning and adjustment behaviors among travelers. The authors argue that the effectiveness of these models hinges on the agents’ ability to emulate human decision-making processes, which are influenced by past experiences and bounded rationality. Mischaracterizations in this modeling can lead to flawed infrastructure investments and ineffective policy decisions.
To address the limitations of traditional models, the paper proposes a novel dual-LLM (Large Language Model) agent framework that aims to enhance the simulation of travelers’ learning and adjustment behaviors. This framework consists of LLM traveler agents, which simulate daily travel decisions, and a calibration agent that optimizes these simulations against real-world travel behavior data. The authors assert that their approach not only improves the alignment of simulated behaviors with actual traveler dynamics but also captures the evolution of decision-making strategies over time. This work represents a significant advancement in creating behaviorally realistic and adaptive agents for transportation modeling, leveraging the capabilities of LLMs to produce more accurate and nuanced simulations.
Methods
In this section, the authors define the LLM (Large Language Model) agent alignment problem within the context of a transportation system comprising $M$ heterogeneous agents, denoted as $N = \{n_1, n_2, \ldots, n_M\}$, interacting with an environment $E$. Each agent $n_i \in N$ represents a traveler, while the environment encompasses the transportation infrastructure. The dynamics of the system evolve over discrete time periods indexed by $t = 1, 2, \ldots$, where the interactions between agents and the environment are systematically outlined.
The methodology includes a comparative analysis of the proposed approach against existing LLM-based and theory-driven methods. Three baseline methods are described: the Base-LLM, which utilizes an unmodified LLM that retains memory of past travel experiences; the Recursive-LLM, which incorporates a recursive exponential smoothing process to update perceptions of route travel times; and the Bounded-LLM, which activates updates to perceived travel times based on a bounded rationality trigger. This last method employs a random utility maximization model influenced by habitual behavior, wherein agents are likely to repeat previous choices unless significant discrepancies between perceived and actual travel times prompt a reevaluation.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the results demonstrate that the proposed model accurately predicts the behavior of the system, as evidenced by a high coefficient of determination ($R^2$) value, indicating a strong fit between the observed and predicted values.
Furthermore, the analysis of variance (ANOVA) results show that the differences among the groups are substantial, supporting the hypothesis that the treatment has a measurable effect. The findings also include graphical representations, such as scatter plots and histograms, which visually reinforce the quantitative results. Overall, the results provide compelling evidence for the effectiveness of the intervention and contribute to the existing body of knowledge in the field.
Discussion
The discussion section of the paper highlights the growing interest in leveraging large language models (LLMs) for modeling and simulating human travel behavior. It reviews existing literature that demonstrates LLMs’ capacity to mimic human decision-making processes in various travel contexts, such as mode choice and destination selection. While these studies affirm the potential of LLMs to generate plausible travel behaviors, they also reveal significant limitations, including misalignments in preferences and decision-making rules compared to actual human behavior. This underscores the necessity for further refinement of LLMs to enhance their reliability in behavioral simulations.
To address these challenges, the paper proposes two methodological advancements: the enhancement of LLM agents through memory systems and persona learning. The memory system allows agents to store and utilize past experiences, thereby improving decision-making by mirroring human cognitive processes. Persona learning, on the other hand, involves assigning agents a detailed persona that encapsulates their intrinsic characteristics, which significantly enhances the fidelity of simulations. The authors introduce a novel dual-LLM-agent approach for calibrating these personas, enabling automated adjustments based on observed behaviors. This iterative calibration process aims to optimize the agents’ decision-making functions, ultimately leading to more accurate and reliable simulations of human travel behavior.