摘要
在灾害响应和城市韧性中，估计起点-终点（OD）流在应对突发事件中至关重要。现有的深度OD模型通常在极端事件突然而改变区域功能和人口活动时性能下降，而在有限的事件时间监督下，为每个事件重新训练生成器是不切实际的。我们提出了EventOD，一个事件自适应的OD生成框架，通过结构化事件语义来引导预训练的OD生成器。
EventOD首先利用大型语言模型从粗略的事件观察中推断区域级的功能和人口控制向量。接着，它学习两个轻量级的适应模块，AlphaNet和BetaNet，以校准这些语义变化的幅度，并进一步引入一个增强检索的回退路径，以应对稀疏监督的场景。最终生成的事件条件特征通过输入级调制注入到预训练的图扩散OD模型中，实现事件感知的适应，而无需更新生成器参数。
在美国各县的飓风和疫情引起的流动性实验中，EventOD在重建准确性和分布保真度上始终优于强基线模型。源代码可在 EventOD GitHub 上获取。
博主点评： EventOD的创新在于将大型语言模型与OD流生成结合，解决了传统模型在极端事件下的适应性不足问题。通过轻量级模块和增强检索，EventOD有效提高了模型的准确性和鲁棒性，将深度学习应用拓展至灾后响应与城市规划领域。其方法论为未来的事件驱动模型提供了新的视角，值得深入探讨和实践。