CAMS: Агентная платформа на основе CityGPT для моделирования городской мобильности населения

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

June 16, 2025

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

cs.AI

Аннотация

Моделирование человеческой мобильности играет ключевую роль в различных практических приложениях. В последнее время, чтобы преодолеть ограничения традиционных подходов, основанных на данных, исследователи изучили возможность использования здравого смысла и способностей к рассуждению больших языковых моделей (LLM) для ускорения моделирования человеческой мобильности. Однако эти методы страдают от нескольких существенных недостатков, включая недостаточное моделирование городских пространств и слабую интеграцию как с индивидуальными паттернами мобильности, так и с коллективными распределениями мобильности. Для решения этих проблем мы предлагаем агентный фреймворк CityGPT-Powered Agentic framework for Mobility Simulation (CAMS), который использует языковую модель городского фундамента для моделирования человеческой мобильности в городском пространстве. CAMS состоит из трех основных модулей: MobExtractor для извлечения шаблонных паттернов мобильности и синтеза новых на основе профилей пользователей, GeoGenerator для генерации опорных точек с учетом коллективных знаний и создания кандидатов городских геопространственных данных с использованием улучшенной версии CityGPT, а также TrajEnhancer для извлечения пространственных знаний на основе паттернов мобильности и генерации траекторий с учетом предпочтений реальных траекторий через DPO. Эксперименты на реальных наборах данных показывают, что CAMS демонстрирует превосходную производительность без использования внешних геопространственных данных. Более того, благодаря целостному моделированию как индивидуальных паттернов мобильности, так и коллективных ограничений, CAMS генерирует более реалистичные и правдоподобные траектории. В целом, CAMS устанавливает новую парадигму, интегрирующую агентный фреймворк с LLM, обладающими знаниями о городской среде, для моделирования человеческой мобильности.

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.