CAMS: Um Framework Agêntico Baseado em CityGPT para Simulação de Mobilidade Humana Urbana

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

June 16, 2025

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

cs.AI

Resumo

A simulação da mobilidade humana desempenha um papel crucial em diversas aplicações do mundo real. Recentemente, para superar as limitações das abordagens tradicionais baseadas em dados, os pesquisadores exploraram o uso do conhecimento de senso comum e das capacidades de raciocínio dos modelos de linguagem de grande escala (LLMs) para acelerar a simulação da mobilidade humana. No entanto, esses métodos apresentam várias deficiências críticas, incluindo a modelagem inadequada dos espaços urbanos e a integração precária tanto com os padrões individuais de mobilidade quanto com as distribuições coletivas de mobilidade. Para enfrentar esses desafios, propomos o **CityGPT-Powered Agentic framework for Mobility Simulation (CAMS)**, um framework agentic que aproveita o modelo de fundação urbana baseado em linguagem para simular a mobilidade humana no espaço urbano. O CAMS é composto por três módulos principais: o **MobExtractor**, para extrair padrões de mobilidade em template e sintetizar novos com base em perfis de usuários; o **GeoGenerator**, para gerar pontos de ancoragem considerando o conhecimento coletivo e gerar conhecimento geoespacial urbano candidato usando uma versão aprimorada do CityGPT; e o **TrajEnhancer**, para recuperar conhecimento espacial com base em padrões de mobilidade e gerar trajetórias com alinhamento de preferência de trajetórias reais via DPO. Experimentos em conjuntos de dados do mundo real mostram que o CAMS alcança desempenho superior sem depender de informações geoespaciais fornecidas externamente. Além disso, ao modelar holisticamente tanto os padrões individuais de mobilidade quanto as restrições coletivas de mobilidade, o CAMS gera trajetórias mais realistas e plausíveis. Em geral, o CAMS estabelece um novo paradigma que integra o framework agentic com LLMs especializados em conhecimento urbano para a simulação da mobilidade humana.

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.