Resumen: Comprender el comportamiento humano en entornos urbanos es un campo crucial dentro de las ciencias de la ciudad. Sin embargo, la recopilación de datos de comportamiento precisos, particularmente en áreas recientemente desarrolladas, plantea desafíos significativos. Los avances recientes en agentes generativos, impulsados por modelos de idiomas grandes (LLM), han demostrado ser prometedores para simular comportamientos humanos sin depender de conjuntos de datos extensos. Sin embargo, estos métodos a menudo luchan por generar resultados de comportamiento consistentes, sensibles al contexto y realistas. Para abordar estas limitaciones, este documento introduce la cadena de preferencias, un método novedoso que integra la generación (RAG) de recuperación de gráficos con LLM para mejorar la simulación del comportamiento humano en los sistemas de transporte. Los experimentos realizados en el conjunto de datos de réplica demuestran que la cadena de preferencias supera a la LLM estándar para alinearse con las opciones de modo de transporte del mundo real. El desarrollo del agente de movilidad destaca aplicaciones potenciales del método propuesto en el modelado de movilidad urbana para ciudades emergentes, análisis de comportamiento de viaje personalizado y pronósticos de tráfico dinámico. A pesar de las limitaciones como la inferencia lenta y el riesgo de alucinación, el método ofrece un marco prometedor para simular un comportamiento humano complejo en entornos de escasez de datos, donde los modelos tradicionales basados en datos luchan debido a la disponibilidad limitada de datos.
Publicado Originalme en export.arxiv.org El 24 de agosto de 2025.
Ver Fuente Original
