CAMS: 都市ヒューマンモビリティシミュレーションのためのCityGPT駆動エージェントフレームワーク

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

June 16, 2025

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

cs.AI

要旨

人間の移動シミュレーションは、さまざまな実世界のアプリケーションにおいて重要な役割を果たす。最近、従来のデータ駆動型アプローチの限界に対処するため、研究者たちは大規模言語モデル（LLM）の常識的知識と推論能力を活用して人間の移動シミュレーションを加速する方法を探求してきた。しかし、これらの方法は、都市空間の不十分なモデリングや、個人の移動パターンと集団的な移動分布の両方との統合の不備など、いくつかの重大な欠点を抱えている。これらの課題に対処するため、我々はCityGPTを活用したエージェント型フレームワーク「CAMS」（CityGPT-Powered Agentic framework for Mobility Simulation）を提案する。CAMSは、言語ベースの都市基盤モデルを活用して都市空間における人間の移動をシミュレートするエージェント型フレームワークであり、3つのコアモジュールを備えている。MobExtractorは、テンプレート移動パターンを抽出し、ユーザープロファイルに基づいて新しいパターンを合成する。GeoGeneratorは、集団的知識を考慮してアンカーポイントを生成し、強化版CityGPTを使用して候補となる都市地理空間知識を生成する。TrajEnhancerは、移動パターンに基づいて空間知識を取得し、DPO（Direct Preference Optimization）を介して実際の軌道選好に沿った軌道を生成する。実世界のデータセットを用いた実験により、CAMSは外部提供の地理空間情報に依存せずに優れた性能を発揮することが示された。さらに、個人の移動パターンと集団的な移動制約を包括的にモデル化することで、CAMSはより現実的で妥当な軌道を生成する。全般的に、CAMSは、エージェント型フレームワークと都市知識を有するLLMを統合した人間の移動シミュレーションの新たなパラダイムを確立する。

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.