CAMS: Ein CityGPT-gestütztes agentenbasiertes Framework zur Simulation urbaner menschlicher Mobilität

CAMS: A CityGPT-Powered Agentic Framework for Urban Human Mobility Simulation

June 16, 2025

Autoren: Yuwei Du, Jie Feng, Jian Yuan, Yong Li

cs.AI

Zusammenfassung

Die Simulation menschlicher Mobilität spielt eine entscheidende Rolle in verschiedenen realen Anwendungen. Kürzlich haben Forscher, um die Grenzen traditioneller datengetriebener Ansätze zu überwinden, untersucht, wie das Alltagswissen und die Denkfähigkeiten großer Sprachmodelle (LLMs) genutzt werden können, um die Simulation menschlicher Mobilität zu beschleunigen. Diese Methoden leiden jedoch unter mehreren kritischen Schwächen, darunter eine unzureichende Modellierung urbaner Räume und eine schlechte Integration sowohl individueller Mobilitätsmuster als auch kollektiver Mobilitätsverteilungen. Um diese Herausforderungen zu bewältigen, schlagen wir das CityGPT-Powered Agentic Framework for Mobility Simulation (CAMS) vor, ein agentenbasiertes Framework, das das sprachbasierte urbane Grundlagenmodell nutzt, um menschliche Mobilität im urbanen Raum zu simulieren. CAMS besteht aus drei Kernmodulen: MobExtractor, um Vorlagen für Mobilitätsmuster zu extrahieren und neue basierend auf Benutzerprofilen zu synthetisieren, GeoGenerator, um Ankerpunkte unter Berücksichtigung kollektiven Wissens zu generieren und Kandidaten für urbane geografische Kenntnisse mithilfe einer erweiterten Version von CityGPT zu erzeugen, sowie TrajEnhancer, um räumliches Wissen basierend auf Mobilitätsmustern abzurufen und Trajektorien mit echter Trajektorienpräferenzausrichtung über DPO zu generieren. Experimente mit realen Datensätzen zeigen, dass CAMS eine überlegene Leistung erzielt, ohne auf extern bereitgestellte geografische Informationen angewiesen zu sein. Darüber hinaus generiert CAMS durch die ganzheitliche Modellierung sowohl individueller Mobilitätsmuster als auch kollektiver Mobilitätsbeschränkungen realistischere und plausiblere Trajektorien. Im Allgemeinen etabliert CAMS ein neues Paradigma, das das agentenbasierte Framework mit urban-kundigen LLMs für die Simulation menschlicher Mobilität integriert.

English

Human mobility simulation plays a crucial role in various real-world applications. Recently, to address the limitations of traditional data-driven approaches, researchers have explored leveraging the commonsense knowledge and reasoning capabilities of large language models (LLMs) to accelerate human mobility simulation. However, these methods suffer from several critical shortcomings, including inadequate modeling of urban spaces and poor integration with both individual mobility patterns and collective mobility distributions. To address these challenges, we propose CityGPT-Powered Agentic framework for Mobility Simulation (CAMS), an agentic framework that leverages the language based urban foundation model to simulate human mobility in urban space. CAMS comprises three core modules, including MobExtractor to extract template mobility patterns and synthesize new ones based on user profiles, GeoGenerator to generate anchor points considering collective knowledge and generate candidate urban geospatial knowledge using an enhanced version of CityGPT, TrajEnhancer to retrieve spatial knowledge based on mobility patterns and generate trajectories with real trajectory preference alignment via DPO. Experiments on real-world datasets show that CAMS achieves superior performance without relying on externally provided geospatial information. Moreover, by holistically modeling both individual mobility patterns and collective mobility constraints, CAMS generates more realistic and plausible trajectories. In general, CAMS establishes a new paradigm that integrates the agentic framework with urban-knowledgeable LLMs for human mobility simulation.