面向可扩展的LLM基于人类移动性模拟的移动性感知缓存框架

大规模人类移动性模拟在城市规划、流行病学和交通分析等应用中具有重要意义。近期研究将大语言模型（LLMs）作为人类智能体，通过结构化推理模拟真实移动行为，但其高计算成本限制了可扩展性。为解决这一问题，本文设计了一种名为MobCache的移动性感知缓存框架，利用可重构缓存实现高效的大型人类移动性模拟。该框架包含两个部分：(1) 推理组件，将每个推理步骤编码为潜在空间嵌入，并使用潜在空间评估器实现推理步骤的重用与重组；(2) 解码组件，采用轻量级解码器并通过受移动规律约束的蒸馏训练，将潜在空间推理链转换为自然语言，从而在保持保真度的同时提高模拟效率。实验表明，MobCache在多个维度上显著提升了效率，同时性能与最先进的LLM方法相当。