组会简讯：2026年秋季第8次组会

2026年4月21日，课题组举行了线下小组会，指导老师唐克双教授、朱宏副教授，课题组ATS分组的成员参与了本次例会。本次组会主要内容为谢小龙同学的研究进展汇报。

一、谢小龙研究进展汇报

谢小龙同学以“TP-Scenario Generator: to Generate Rational Traffic Simulation Scenarios for Large Scale Networks based on LLM and Fragmented Web Information”为核心主题开展汇报。报告从大规模交通仿真场景构建的现实需求出发，系统梳理了当前交通需求生成与场景建模领域的发展脉络，指出传统方法在跨城市泛化能力、数据依赖性以及场景合理性评估方面的显著不足。围绕如何在数据稀缺甚至零样本条件下生成具有真实交通规律的OD需求与仿真场景，报告重点介绍了融合大语言模型与碎片化网络信息的TP-Scenario Generator框架，强调其在提升场景生成合理性与可解释性方面的潜力。

本次汇报主要包括五个部分：第一部分为引言，明确了研究背景与问题定义，指出在大规模路网与多源异构数据条件下，实现“无需训练或弱监督”的交通场景生成具有重要意义，并提出以“合理性”为核心评价目标的研究思路。第二部分综述了相关研究进展，系统分析了传统重力模型、基于POI与人口统计的需求生成方法，以及近年来兴起的生成式模型与学习方法，指出其在跨域迁移能力与语义一致性方面的局限，尤其难以利用碎片化知识进行有效推理。第三部分重点介绍了TP-Scenario Generator的方法框架：通过融合路网结构、TAZ划分、人口分布、POI语义以及时间信息，构建生产-吸引先验；结合LLM进行语义重加权与推理，并引入跨城市场景库进行检索与对齐，实现OD矩阵的零样本生成；进一步结合有限理性交通分配机制，使生成结果在路径层面具备更高的行为合理性。第四部分展示了实验与评估结果，在多个真实城市子网络上的测试表明，该方法在合理性评价得分上优于传统基线方法，能够在较低数据依赖下生成结构合理、分布真实的交通需求场景。第五部分对未来工作进行了展望，包括完善场景库先验构建机制、强化LLM在交通领域的约束推理能力，以及拓展至多模式交通与复杂控制策略评估任务。

唐克双老师、朱宏老师与其他课题组成员就谢小龙同学研究中的相关问题进行了深入探讨，为其指明了研究后续的重点工作：1）进一步探索LLM与交通机理模型的深度融合机制，使生成过程兼具数据驱动与理论约束，从而提升场景的可解释性与可信度；2）构建更加系统的场景合理性评价体系，尤其是OD与路径层面的评价。