堵车之后，居民第二天该怎么走？答案不在“他有没有聪明的大脑”，而在他记住了这条路的什么。下面用一个居民十天的通勤日记来拆开这件事。
第一天：周师傅只是晚到了18分钟
先设定一个模拟示例。居民周师傅住在城东，在城西的仓库上班，每天走环路，他对环路的预期用时是35分钟，另有一条高架路线，他从没走过，只凭路线长度估算需要44分钟。第一天，环路上发生了一起事故，他花了53分钟，晚到18分钟。
问题来了：他该从这件事里记住什么？如果记忆里只有“环路很堵”，第二天他就会绕开环路，而环路第二天已经恢复畅通，他白白多走了远路，还错过了发现真相的机会。如果他什么都不记，明天、后天、下个月他都会在同一种情形里重蹈覆辙。所以，路线记忆的核心不是“存不存”，而是“存成什么形状”。大发娱乐AI给每个居民的每条常用路线只存两样东西：期望用时，以及这个期望有多不确定。另外还给每一次超预期的经历打一个“原因标签”。
十天日记：一次意外怎样变成习惯，又怎样变成新的麻烦
下面的模拟规则很简单：期望用时按“新期望等于旧期望加学习率乘以误差”更新；学习率平时取0.3，被标为事故类偶发事件时取0.1，第一次亲自走一条新路时取0.5；如果两条路线的期望用时相差不到3分钟，居民倾向于保持昨天的选择；连续几天体验超预期时，有一定概率去探索备选路线。所有参数与用时都是假设，仅用来说明机制。
| 天 | 他选的路线 | 实际用时（分钟，模拟） | 该路线期望更新为 | 这一天决定了什么 |
|---|---|---|---|---|
| 1 | 环路 | 53（事故） | 36.8 | 事故类事件，学习率只有0.1，几乎不动摇他的看法 |
| 2 | 环路 | 38 | 37.2 | 路况恢复，期望轻微上调，不确定度略升 |
| 3 | 环路 | 49（施工） | 40.7 | 施工是持续性原因，按正常学习率0.3更新 |
| 4 | 环路 | 47（施工） | 42.6 | 连续超预期，触发“考虑备选” |
| 5 | 高架（探索） | 41 | 42.5 | 环路42.6与高架先验44差距不大，但因不确定度高，他决定试一次；首次亲历学习率0.5 |
| 6 | 高架 | 40 | 41.8 | 差距小于3分钟，惯性让他继续走昨天那条 |
| 7 | 高架 | 43 | 42.1 | 开始有其他居民也换到了高架 |
| 8 | 高架 | 47 | 43.6 | 高架变挤，他仍然没有换，差距仍在惯性范围内 |
| 9 | 高架 | 46 | 44.3 | 继续保持，环路那边的信息他并不知道 |
| 10 | 高架 | 50 | 46.0 | 期望比环路的42.6高出3.4分钟，越过切换成本，第11天他会换回环路 |
这张表里有三个值得注意的细节。第一，第1天的事故没有毁掉环路的名声，第3、4天的施工却让他改变了看法，区别在于原因不同。第二，他在第5天到第10天一直走高架，从没有回头看环路，而环路在这段时间里因为有人离开，其实很可能已经缓解。只有亲自走过的路才会更新，所以“没走的路”的记忆是会过期的。第三，直到高架真的变差，他才回头。这不是缺陷，而是真实通勤者的样子：换路线有成本，人们通常要等痛感累积到一定程度才行动。
记忆里不该只存“多久”，还要存“为什么慢”
把原因标签单独拿出来，是路线记忆里最容易被省略、又最影响真实感的一步。同样是慢了18分钟，不同原因应该带来完全不同的后续：
- 事故、临时封路：偶发，学习率低，记忆很快衰减，居民下次基本照旧。
- 施工、道路改造：持续一段时间，学习率正常，居民应该在几天内形成绕行。施工结束的信息若没有传到居民，记忆也不会自己纠正，这就需要“公告”类的信息事件去覆盖。
- 天气：与时间挂钩，下雨天才生效，不应该污染晴天的判断。
- 常态高峰：每天同一时段都慢，这是最应该长期保留的记忆，也是居民调整出发时间、甚至考虑搬家的依据。
Liu、Li 和 Ma 团队于2025年在 GATSim 一文中提出，用带有社会经济画像和“心理学启发的记忆系统”的生成式智能体替代规则式交通仿真，并设计了带时空关联的分层记忆检索，以及把出行经验转化为行为洞察的多尺度反思。这与上面的思路方向一致：不只存下发生了什么，还要检索“什么时间、什么地点”的经验，并从中提炼出可以指导以后的规律。需要注意的是，该论文声称的是生成了现实的城市级宏观交通模式，并没有声称能精确预测交通。
一个人换路线是学习，一万个人同时换路线是新的堵车
周师傅的日记里已经露出了群体效应：第7天以后高架变挤，是因为有别的居民也做了同样的判断。放大到整座城市，如果所有居民对同一次事故做出同样的反应，第二天大家一起涌向同一条备选路线，那么堵车只是换了地点。大发娱乐AI在设计上用三件事来避免“全城同步换路线”：
- 切换成本因人而异。有人差1分钟就换，有人差5分钟才换，这来自居民的画像和日程的刚性程度，比如必须准时接孩子的人更保守。
- 信息不对称。只有一部分居民有导航或路况信息，其余人只凭自己走过的经验，所以群体的反应是错开的。
- 习惯惯性。上例中3分钟的阈值就是一种惯性，它让群体的响应带有滞后，避免每天全体来回震荡。
玩家在大发娱乐App里有时会看到城市突然堵车，其中一类原因就是这种集体切换叠加了路段容量限制，可以对照AI城市为什么有时会突然堵车那篇的说明。设计上要能区分：这是模型bug，还是居民行为的正常涌现。区分的办法是看堵车之前，有多少居民在同一天更新了记忆并改了路线。
遗忘也是设计：让居民什么时候忘掉这次堵车
只增不减的记忆会让城市越来越僵。居民的路线记忆宜分成两层：近期体验层，只保留最近若干天的实际用时，衰减较快；长期习惯层，是“我一直走环路”这样的稳定偏好，变化很慢，靠近期体验层反复被证伪后才松动。这两层的分工，也解释了为什么第1天的事故几乎不改变周师傅的习惯，而连续几天的施工能够改变。
再叠加性格差异，就有了个体差别：保守的居民探索概率低，往往在多次痛感之后才尝试新路线；开放的居民更早去试，也更早发现路线已经恢复。同样的路况，在不同居民身上产生不同的日记，才让城市的交通流不至于整齐划一。这些差异并不是临时加的“性格标签”，而是让每个居民真正有工作、需求和习惯这一层设计的自然延伸：出发时间、日程刚性和收入，都会影响他愿意为一条路线付出多少代价。
怎么判断居民是在“学习”，还是在“演戏”
路线记忆做得像不像，看故事没有用，需要能算出来的指标：
- 反应滞后：事故或施工发生后，多少天内居民的路线选择发生显著变化，分布是否合理，而不是全体第二天同时变。
- 回退时间：施工结束后，居民多久回到原来的路线。
- 画像差异：保守与开放的居民面对同一事件，反应是否有可测量的差别。
- 集中度：某一天切换路线的居民占比，是否出现不合理的尖峰。
- 与真实数据比较：这是最难也最必要的一步。Santos 等团队于2026年用大巴黎和上海的真实移动数据检验了两个基于大模型的城市模拟器，结论是它们在叙事上合理，但在出行距离分布、停留时间等指标上与真实移动规律存在显著差距。说明“看起来合理”不能代替校准。
路线记忆积累下来的通勤成本变化，最终会进入居民对居住地和工作的选择，比如新增一条地铁线后周边房价与企业的变化，可以延伸阅读新地铁如何带动房价、企业和交通。
大发娱乐模型在这里做的事情，就是让每个居民都保有这样一本账；想看更完整的设计，可以从大发娱乐城市AI里居民、交通与经济的联动读起。
一个居民会不会换路线，从来不是一个开关，而是一本他自己写的账：他走过什么、为什么慢、有多确定、换一次要付多少代价。账记得对，堵车之后城市才会有真实的样子，而不是全体同时听话，或者全体永远踩坑。
