A Study on Individual Spatiotemporal Activity Generation Method Using MCP-Enhanced Chain-of-Thought Large Language Models

要約

人間の空間的行動シミュレーションは、都市計画の研究にとって重要ですが、従来のルールベースおよび統計的アプローチは、高い計算コスト、限られた一般化可能性、およびスケーラビリティの低さに苦しんでいます。
大規模な言語モデル（LLM）は「世界のシミュレーター」として有望であることを示していますが、限られた空間認知、身体的制約理解の欠如、グループの均質化傾向を含む空間的な推論で課題に直面しています。
このペーパーでは、モデルコンテキストプロトコル（MCP）を使用して、チェーンオブ考え（COT）の推論を統合するフレームワークを紹介し、検証データパターンに対応する空間的行動をシミュレートするLLMS機能を強化します。
この方法論は、5段階の認知フレームワークを通じて、時間管理、空間ナビゲーション、環境認識、個人記憶、ソーシャルコラボレーション、および経験評価の6つの専門的なMCPツールカテゴリを介して、5段階の認知フレームワークを通じて人間のような進歩的推論を組み合わせています。
上海のルジャズイ地区での実験では、1,000の生成されたサンプルにわたってフレームワークの有効性が検証されています。
結果は、実際のモバイルシグナル伝達データと高い類似性を示し、異なるベースモデルで7.86〜8.36の生成品質スコアを達成します。
並列処理実験により、効率の改善が示され、2から12のプロセスにスケーリングすると、生成時間がサンプルあたり1.30から0.17分に減少します。
この作業は、COTの推論を都市行動モデリングのためにMCPと統合し、都市コンピューティングにおけるLLMSアプリケーションを進め、合成モビリティデータ生成のための実用的なアプローチを提供することに貢献しています。
このフレームワークは、スマートシティの計画、輸送予測、参加型の都市設計アプリケーションの基盤を提供します。

要約(オリジナル)

Human spatiotemporal behavior simulation is critical for urban planning research, yet traditional rule-based and statistical approaches suffer from high computational costs, limited generalizability, and poor scalability. While large language models (LLMs) show promise as ‘world simulators,’ they face challenges in spatiotemporal reasoning including limited spatial cognition, lack of physical constraint understanding, and group homogenization tendencies. This paper introduces a framework integrating chain-of-thought (CoT) reasoning with Model Context Protocol (MCP) to enhance LLMs’ capability in simulating spatiotemporal behaviors that correspond with validation data patterns. The methodology combines human-like progressive reasoning through a five-stage cognitive framework with comprehensive data processing via six specialized MCP tool categories: temporal management, spatial navigation, environmental perception, personal memory, social collaboration, and experience evaluation. Experiments in Shanghai’s Lujiazui district validate the framework’s effectiveness across 1,000 generated samples. Results demonstrate high similarity with real mobile signaling data, achieving generation quality scores of 7.86 to 8.36 across different base models. Parallel processing experiments show efficiency improvements, with generation times decreasing from 1.30 to 0.17 minutes per sample when scaling from 2 to 12 processes. This work contributes to integrating CoT reasoning with MCP for urban behavior modeling, advancing LLMs applications in urban computing and providing a practical approach for synthetic mobility data generation. The framework offers a foundation for smart city planning, transportation forecasting, and participatory urban design applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google