CAMS: Un Framework Agente Basato su CityGPT per la Simulazione della Mobilità Umana Urbana

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

June 16, 2025

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

cs.AI

Abstract

La simulazione della mobilità umana svolge un ruolo cruciale in varie applicazioni del mondo reale. Recentemente, per affrontare i limiti degli approcci tradizionali basati sui dati, i ricercatori hanno esplorato l'utilizzo della conoscenza di senso comune e delle capacità di ragionamento dei modelli linguistici di grandi dimensioni (LLM) per accelerare la simulazione della mobilità umana. Tuttavia, questi metodi presentano diverse carenze critiche, tra cui una modellazione inadeguata degli spazi urbani e una scarsa integrazione sia con i modelli di mobilità individuale che con le distribuzioni di mobilità collettiva. Per affrontare queste sfide, proponiamo il framework agentico CityGPT-Powered Agentic framework for Mobility Simulation (CAMS), che sfrutta il modello linguistico di base urbano per simulare la mobilità umana nello spazio urbano. CAMS comprende tre moduli principali, tra cui MobExtractor per estrarre modelli di mobilità predefiniti e sintetizzarne di nuovi basati sui profili utente, GeoGenerator per generare punti di ancoraggio considerando la conoscenza collettiva e produrre conoscenza geospaziale urbana candidata utilizzando una versione potenziata di CityGPT, e TrajEnhancer per recuperare la conoscenza spaziale basata sui modelli di mobilità e generare traiettorie con un allineamento preferenziale alle traiettorie reali tramite DPO. Gli esperimenti su dataset del mondo reale dimostrano che CAMS raggiunge prestazioni superiori senza fare affidamento su informazioni geospaziali fornite esternamente. Inoltre, modellando in modo olistico sia i modelli di mobilità individuale che i vincoli di mobilità collettiva, CAMS genera traiettorie più realistiche e plausibili. In generale, CAMS stabilisce un nuovo paradigma che integra il framework agentico con LLM dotati di conoscenza urbana per la simulazione della mobilità umana.

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.