CAMS : Un cadre agentiel alimenté par CityGPT pour la simulation de la mobilité humaine urbaine

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

June 16, 2025

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

cs.AI

Résumé

La simulation de la mobilité humaine joue un rôle crucial dans diverses applications du monde réel. Récemment, pour pallier les limites des approches traditionnelles basées sur les données, les chercheurs ont exploré l'utilisation des connaissances de bon sens et des capacités de raisonnement des grands modèles de langage (LLMs) afin d'accélérer la simulation de la mobilité humaine. Cependant, ces méthodes souffrent de plusieurs lacunes critiques, notamment une modélisation inadéquate des espaces urbains et une mauvaise intégration des modèles de mobilité individuels et des distributions de mobilité collective. Pour relever ces défis, nous proposons le cadre agentique CityGPT-Powered Agentic framework for Mobility Simulation (CAMS), un cadre qui exploite le modèle de fondation urbaine basé sur le langage pour simuler la mobilité humaine dans l'espace urbain. CAMS comprend trois modules principaux : MobExtractor pour extraire des modèles de mobilité types et en synthétiser de nouveaux basés sur les profils utilisateurs, GeoGenerator pour générer des points d'ancrage en tenant compte des connaissances collectives et produire des connaissances géospatiales urbaines candidates à l'aide d'une version améliorée de CityGPT, et TrajEnhancer pour récupérer des connaissances spatiales basées sur les modèles de mobilité et générer des trajectoires alignées sur les préférences réelles via DPO. Les expériences sur des jeux de données réels montrent que CAMS obtient des performances supérieures sans dépendre d'informations géospatiales externes. De plus, en modélisant de manière holistique à la fois les modèles de mobilité individuels et les contraintes de mobilité collective, CAMS génère des trajectoires plus réalistes et plausibles. En général, CAMS établit un nouveau paradigme qui intègre le cadre agentique avec des LLMs dotés de connaissances urbaines pour la simulation de la mobilité humaine.

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.