如何估计具有较大计数值的lme4中的多级Poisson模型？

案例：我正在尝试估算mig从55个原始地区（IDo）到54个目标地区（IDd）的迁移引力模型（）。两个重要的预测变量是dist每个起点与目的地区域之间的距离（）和contig任何起点-终点对的连续性（）的指示变量。迁移结果变量是对在成对的区之间迁移的人数的度量（从零到几千不等）。以下是近似于我的数据情况的测试数据集。在实际数据中，迁移结果变量在理想情况下的泊松分布（min=0, max=9450, mean=85, median=10）略少。

library(lme4)

#*** Generate test data set
set.seed=777
td=data.frame(IDo=rep(1:55,each=55),IDd=rep(1:55,times=55),dist=runif(3025,0.186,12.7),contig=rbinom(3025,1,p=0.08), stringsAsFactors=F)
td=td[td$IDo!=td$IDd,]              # remove cases for which origin and destination are the same
td=rbind(td,td)                     # dublicate data for two years
td$year=rep(c(1,0),each=2970)       # generate year dummy variable
td$mig=rpois(5940, lambda = 1)*1000 # generate migrant count variable

# Cross-classified random effects Poisson models
m1=formula(mig~dist+contig+year+(1|IDo)+(1|IDd))
fm0=glmer(m1,data=td,family="poisson",control=glmerControl(optimizer="bobyqa"), nAGQ=0) # Adaptive Gauss-Hermite Quadrature
fm1=glmer(m1,data=td,family="poisson",control=glmerControl(optimizer="bobyqa"), nAGQ=1) # Laplace Approximation

# Regular Poisson models
m2=formula(mig~dist+contig+year+factor(IDo)+factor(IDd))
fm2=glm(m2,data=td,family="poisson")

问题：我正在使用来运行交叉分类的多层Poisson模型lme4。当使用默认的nAGQ = 1设置（fm1）时，我总是收到以下警告消息，在实际数据情况下，模型无法收敛（In checkConv(attr(opt, "derivs"), opt$par, control$checkConv Model failed to converge with max|grad| = 0.00248588 (tol = 0.001, component 1)）。

Warning message:
In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
  Model is nearly unidentifiable: very large eigenvalue
 - Rescale variables?

但是，设置nAGQ = 0（fm0）或将其作为常规固定效果模型（fm2）运行时，不会出现此问题。

是否有人建议如何避免此警告消息所基于的问题（并导致实际数据出现收敛问题）？预测变量的大小都相当小，因此无需重新缩放这些变量。我可能会重新调整我的结果变量有更小的值（td$mig=round(td$mig/1000,0)），但是这会改变分布和中指明不应该做这个职位。