CAMS: 도시 인구 이동 시뮬레이션을 위한 CityGPT 기반 에이전트 프레임워크

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

June 16, 2025

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

cs.AI

초록

인간 이동 시뮬레이션은 다양한 실제 응용 분야에서 중요한 역할을 합니다. 최근, 전통적인 데이터 기반 접근법의 한계를 해결하기 위해 연구자들은 대형 언어 모델(LLM)의 상식 지식과 추론 능력을 활용하여 인간 이동 시뮬레이션을 가속화하는 방법을 탐구해 왔습니다. 그러나 이러한 방법들은 도시 공간의 부적절한 모델링과 개별 이동 패턴 및 집단 이동 분포와의 통합 부족 등 여러 중요한 단점을 가지고 있습니다. 이러한 문제를 해결하기 위해, 우리는 도시 공간에서의 인간 이동을 시뮬레이션하기 위해 언어 기반 도시 기초 모델을 활용하는 에이전트 프레임워크인 CityGPT-Powered Agentic framework for Mobility Simulation (CAMS)를 제안합니다. CAMS는 사용자 프로필을 기반으로 템플릿 이동 패턴을 추출하고 새로운 패턴을 합성하는 MobExtractor, 집단 지식을 고려하여 앵커 포인트를 생성하고 향상된 버전의 CityGPT를 사용하여 후보 도시 지리 공간 지식을 생성하는 GeoGenerator, 이동 패턴을 기반으로 공간 지식을 검색하고 DPO를 통해 실제 이동 경로 선호도에 맞춰 경로를 생성하는 TrajEnhancer 등 세 가지 핵심 모듈로 구성됩니다. 실제 데이터셋에 대한 실험 결과, CAMS는 외부에서 제공된 지리 공간 정보에 의존하지 않고도 우수한 성능을 달성함을 보여줍니다. 또한, 개별 이동 패턴과 집단 이동 제약을 종합적으로 모델링함으로써 CAMS는 더 현실적이고 타당한 이동 경로를 생성합니다. 전반적으로, CAMS는 에이전트 프레임워크와 도시 지식을 갖춘 LLM을 통합하여 인간 이동 시뮬레이션을 위한 새로운 패러다임을 확립합니다.

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.