关键词：LLM；agent-based-simulation

论文链接：https://arxiv.org/pdf/2502.18712

该框架能生成连贯并且可解释的人类活动，利用POI减少对真实世界历史

在移动性模拟前，先生成角色，为每个角色分配人格特征；按照人格特征分配日常轨迹关键锚点；

生成角色分配活动位置列表；eg，用餐时候随机分配类别【cafe、Restaurant】作为代理用餐地点；

重点是如何确定活动目的地：2种机制。

1.基于大模型选择；生成上下文下文目标推荐；从内存模块检索，里面存储以前的活动和偏好自制；LLM可以处理数据发现用户活动模式创建角色目标和行为历史定制目的地推荐

        生成推荐后，会用作输入提示，在指定半径内与给定的位置类别当中LLM随机分配合适的目的地，eg（运动活动且首选为“健身房”），LLM会识别过去相关访问，然后从POI数据集当中推荐附近的健身房；

该方法保持目的地选择个性化且多样化，从历史相关性和实时随机优化取得平衡‘

2.基于物理模型的目的地选择：考虑空间和历史因素；从空间模块和频率模块中，提取相关信息；空间模块中有基于POI的空间交互，频率模块基于历史数据，保证生成轨迹紧密相连；

涉及到的公式：

距离阻抗函数（Distance impedance function）

• d 是两个地点之间的距离。

• r0​，β，和 k 是从实际数据中估计出来的参数，用来调整函数的形状。

• 这个函数的意思是，随着距离增加，人们去某个地方的意愿会降低。

POI 的空间权重：计算了每个 POI 的空间权重 Wjx​，这是基于 POI 的吸引力 Vj​ 和距离阻抗函数 f(dij​) 的

• Vj​ 是 POI 的吸引力，比如一个热门餐厅可能比一个普通公园更有吸引力。

• f(dij​) 是从当前位置到 POI 的距离阻抗。

• 这个公式的意思是，一个 POI 的吸引力越高，或者它离当前位置越近，它的空间权重就越大。

 POI 概率计算：POI i 的概率 Pi​，这是基于空间权重 wix​ 和频率权重 wif​ 的

• 这个公式计算每个 POI 被选择的概率，基于它的空间吸引力和访问频率。

• 通过这种方式，模型可以预测用户最有可能去哪些 POI。

秩标准化（Rank normalization）：使用签到数据的逆经验累积分布函数（ECDF）来标准化输入频率 fi​：

• Fc−1​ 是从特定 POI 类别 c 的签到数据中估计出来的逆 ECDF。

• Pc​ 是类别 c 的 POI 集合。

• 这个步骤的目的是调整不同 POI 的访问频率，使其更符合真实世界的分布。

分布映射（Distribution mapping）：将标准化后的值映射到调整后的频率 fi′​：

• Ψ 是一个函数，用于将标准化后的值转换为调整后的频率。

• 这一步进一步调整频率，使其更符合目标分布。

权重归一化（Weight normalization）：归一化调整后的频率 fi′​ 并引入噪声因子 σ 来计算最终的权重 wif​：

• σ 是一个噪声因子，用来增加随机性，防止结果过于确定。

• 这个公式的目的是计算每个 POI 的最终权重，这个权重考虑了 POI 的访问频率和随机性。

内存模块采用分层结构，将原始日常活动组织成每日、每周和每月摘要活动；便于捕获关键活动模式，也可以最大限度减少冗余，保证系统可以在时间推移的情况保持可扩展性；

重点在于使用加权信息密度指标来评估内存重要性，为事件、实体、行动和属性等类别分配权重，以反映它们的相对重要性；事件和实体通常在将活动置于情境中至关重要，因此权重更高，以优先保留有意义的细节。模块通过将加权信息密度与recency和访问频率相结合来计算每个记忆的重要性分数，并使用 sigmoid 函数进行标准化，以生成平衡、可解释的相关性度量。