CAMS: Un Marco Agéntico Impulsado por CityGPT para la Simulación de la Movilidad Humana Urbana

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

June 16, 2025

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

cs.AI

Resumen

La simulación de la movilidad humana desempeña un papel crucial en diversas aplicaciones del mundo real. Recientemente, para abordar las limitaciones de los enfoques tradicionales basados en datos, los investigadores han explorado el aprovechamiento del conocimiento de sentido común y las capacidades de razonamiento de los modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés) para acelerar la simulación de la movilidad humana. Sin embargo, estos métodos presentan varias deficiencias críticas, incluyendo una modelización inadecuada de los espacios urbanos y una pobre integración tanto con los patrones de movilidad individual como con las distribuciones de movilidad colectiva. Para abordar estos desafíos, proponemos el marco **CityGPT-Powered Agentic framework for Mobility Simulation (CAMS)**, un marco agéntico que aprovecha el modelo de base urbana basado en lenguaje para simular la movilidad humana en el espacio urbano. CAMS consta de tres módulos principales: **MobExtractor**, para extraer patrones de movilidad plantilla y sintetizar nuevos basados en perfiles de usuario; **GeoGenerator**, para generar puntos de anclaje considerando el conocimiento colectivo y generar conocimiento geoespacial urbano candidato utilizando una versión mejorada de CityGPT; y **TrajEnhancer**, para recuperar conocimiento espacial basado en patrones de movilidad y generar trayectorias con alineación de preferencias de trayectorias reales mediante DPO. Los experimentos en conjuntos de datos del mundo real muestran que CAMS logra un rendimiento superior sin depender de información geoespacial proporcionada externamente. Además, al modelar holísticamente tanto los patrones de movilidad individual como las restricciones de movilidad colectiva, CAMS genera trayectorias más realistas y plausibles. En general, CAMS establece un nuevo paradigma que integra el marco agéntico con LLMs conocedores del entorno urbano para la simulación de la movilidad humana.

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.