CAMS: Een CityGPT-aangedreven agentisch raamwerk voor simulatie van stedelijke menselijke mobiliteit

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

Samenvatting

Simulatie van menselijke mobiliteit speelt een cruciale rol in diverse real-world toepassingen. Recentelijk hebben onderzoekers, om de beperkingen van traditionele data-gedreven benaderingen aan te pakken, verkend hoe ze het gezond verstand en de redeneervaardigheden van grote taalmodellen (LLMs) kunnen benutten om simulaties van menselijke mobiliteit te versnellen. Deze methoden kampen echter met verschillende kritieke tekortkomingen, waaronder onvoldoende modellering van stedelijke ruimtes en slechte integratie met zowel individuele mobiliteitspatronen als collectieve mobiliteitsverdelingen. Om deze uitdagingen aan te pakken, stellen we het CityGPT-Powered Agentic framework for Mobility Simulation (CAMS) voor, een agentisch framework dat gebruikmaakt van het taalgebaseerde stedelijke basis model om menselijke mobiliteit in stedelijke ruimtes te simuleren. CAMS bestaat uit drie kernmodules, waaronder MobExtractor om sjabloonmobiliteitspatronen te extraheren en nieuwe te synthetiseren op basis van gebruikersprofielen, GeoGenerator om ankerpunten te genereren met inachtneming van collectieve kennis en kandidaat-stedelijke georuimtelijke kennis te genereren met behulp van een verbeterde versie van CityGPT, en TrajEnhancer om ruimtelijke kennis op te halen op basis van mobiliteitspatronen en trajecten te genereren met echte trajectvoorkeuren afgestemd via DPO. Experimenten op real-world datasets tonen aan dat CAMS superieure prestaties bereikt zonder te vertrouwen op extern aangeleverde georuimtelijke informatie. Bovendien genereert CAMS, door zowel individuele mobiliteitspatronen als collectieve mobiliteitsbeperkingen holistisch te modelleren, realistischere en plausibelere trajecten. Over het algemeen vestigt CAMS een nieuw paradigma dat het agentische framework integreert met stedelijk-kundige LLMs voor simulatie van menselijke mobiliteit.

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.