English(EN) LLM-Guided Reinforcement Learning with Representative Agents for Traffic Modeling

LLM被用作代表性代理以实现可扩展的交通建模

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-05 04:00

研究人员开发了一种新颖的交通建模方法，通过使用代表性代理来利用大型语言模型（LLM）。该方法解决了使用每个旅行者的个体LLM所带来的可扩展性问题和不透明的决策制定。所提出的系统使用单一代表性LLM来处理同质旅行者群体，以维护和更新路线上的混合策略，从而提高可扩展性并稳定学习。该方法在经典的交通分配场景中已证明能快速收敛到用户均衡，并在更复杂的环境中产生稳定、可解释的动态，复制已知的行为模式。 AI

影响这项研究可能带来更具可扩展性和可解释性的交通模拟模型，从而改善城市规划和交通效率。

排序理由关于新颖AI应用的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 11 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 关于新颖AI应用的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Hanlin Sun, Jiayang Li · 2026-10-05 04:00

LLM驱动的具有代表性代理的强化学习用于交通建模

arXiv:2511.06260v2 Announce Type: replace-cross Abstract: Large language models (LLMs) are increasingly used as behavioral proxies for self-interested travelers in agent-based traffic models. Although more flexible and generalizable than conventional models, the practical use of …

本文如何被排名

报道来源 [1]

LLM驱动的具有代表性代理的强化学习用于交通建模

相关实体

相关话题