針對城市場景的複雜問題，我們引入 UrbanLLM，這是一個經過微調的大型語言模型，通過分解城市相關查詢為可管理的子任務，識別適合的時空人工智能模型並生成綜合回應，顯著地提升了處理城市活動規劃和管理相關問題的效能，減輕了對人工專家的工作量和依賴。

Jun, 2024

利用大型语言模型（LLMs）为六代（6G）无线通信技术引入一种基于强化学习的新框架，该框架在都市环境中通过训练 RL 代理并结合卷积神经网络（CNNs）利用 LLMs 的优势以及减轻其限制，在优化区域覆盖范围的网络部署中表现出色。

May, 2024

本文介绍了利用大型语言模型（LLM）进行人类移动性预测的潜力。通过引入 LLM-Mob 方法，该研究提出了历史停留和上下文停留的概念，以捕捉人类移动性中的长期和短期依赖，并通过使用预测目标的时间信息实现时间感知预测。全面的评估结果表明，LLM-Mob 在提供准确可解释预测方面表现出色，突显了 LLM 在推进人类移动性预测技术上的未开发潜力。

Aug, 2023

大规模语言模型与基于代理的仿真的整合对于理解复杂社会系统具有变革潜力，本文探讨了系统开发 LLM 增强的社会仿真的架构和方法，并讨论了该领域的潜在研究方向。结论表明，将 LLM 与基于代理的仿真相结合为研究人员和科学家提供了强大的工具集，能够生成更细致、逼真和全面的复杂系统和人类行为模型。

May, 2024

我们的研究引入了一个新的安全框架，利用多智能体大语言模型（LLMs）来保护自动驾驶车辆的敏感信息，同时确保 LLM 的输出符合驾驶规定和符合人类价值观。我们使用该框架评估了 11 个大语言模型驱动的自动驾驶提示的安全性、隐私性和成本方面，并对这些驾驶提示进行了问答测试，成功地证明了该框架的有效性。

Jun, 2024

基于大型语言模型（LLM）的多智能体系统在复杂问题解决和世界模拟中取得了重大进展，我们提供了一份综述，深入讨论了基于 LLM 的多智能体系统的基本方面和挑战。

Jan, 2024

通过批判性利用大型语言模型（LLM）创建数字化代表不同利益相关者来规划共享自动化电动出行系统（SAEMS）的合成参与方法，本文介绍了一个在快速演变的移动技术多利益相关者环境中释放协同效应以解决城市交通问题的新方法。通过蒙特利尔案例研究的结果表明，这种结构化和可调参数的工作流程相较于单个 LLM 启用的专家代理生成的 SAEMS 计划，提供了具有较高可控性和综合性的输出。因此，该方法为改善多目标交通规划的包容性和可解释性提供了一条具有成本效益的途径，暗示了我们对可持续和公平交通系统的设想和战略的范式转变。

Apr, 2024

通过对基于大语言模型的自主代理的综合调查，本文提出了一个统一框架来概括以往研究，并总结了在社会科学、自然科学和工程领域中应用大语言模型的人工智能代理的各种应用及评估策略。同时，我们还讨论了该领域的挑战和未来方向。

Aug, 2023

通过利用大型语言模型（LLMs）的语言和推理能力，本研究提出了一个新的框架来增强自动驾驶车辆决策过程。通过在不同场景中进行试验和实时个性化示范，我们展示了利用 LLMs 能够改善驾驶决策、提供个性化驾驶体验并增强自动驾驶的安全和效果。

Oct, 2023

使用大型语言模型 (LLM) 对移动性预测问题进行综述，介绍了在交通系统内使用 LLM 的应用、最新进展以及需要克服的挑战。

May, 2024