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

要約

人間のモビリティシミュレーションは、さまざまな現実世界のアプリケーションで重要な役割を果たします。
最近、従来のデータ駆動型アプローチの制限に対処するために、研究者は、人間のモビリティシミュレーションを加速するために、大規模な言語モデル（LLM）の常識的な知識と推論能力を活用することを調査しました。
ただし、これらの方法は、都市空間の不十分なモデリングや、個々のモビリティパターンと集合的なモビリティ分布の両方との統合が不十分であるなど、いくつかの重要な欠点に悩まされています。
これらの課題に対処するために、\ textbf {c} itygpt-powed \ textbf {a} \ textbf {m} obility \ textbf {s} imulation（\ textbf {cams}）のgenticフレームワークを提案します。
\ textBF {cams}は、テンプレートモビリティパターンを抽出し、ユーザープロファイルに基づいて新しいものを合成するMobextractorを含む3つのコアモジュール、地球源、集合的な知識を考慮してアンカーポイントを生成し、CityGPTの拡張バージョンを使用して候補者の地理的知識を生成するアンカーポイントを生成するためのアンカーポイントを生成する3つのコアモジュールで構成されています。
DPOを介した軌道優先アライメント。
実際のデータセットでの実験は、\ textBf {cams}が外部から提供された地理空間情報に依存することなく優れたパフォーマンスを達成することを示しています。
さらに、個々のモビリティパターンと集合的なモビリティの制約の両方を全体的にモデル化することにより、\ textBf {cams}は、より現実的でもっともらしい軌跡を生成します。
一般に、\ textbf {cams}は、エージェントフレームワークを人間のモビリティシミュレーションのための都市知識のあるLLMと統合する新しいパラダイムを確立します。

要約(オリジナル)

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 \textbf{C}ityGPT-Powered \textbf{A}gentic framework for \textbf{M}obility \textbf{S}imulation (\textbf{CAMS}), an agentic framework that leverages the language based urban foundation model to simulate human mobility in urban space. \textbf{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 \textbf{CAMS} achieves superior performance without relying on externally provided geospatial information. Moreover, by holistically modeling both individual mobility patterns and collective mobility constraints, \textbf{CAMS} generates more realistic and plausible trajectories. In general, \textbf{CAMS} establishes a new paradigm that integrates the agentic framework with urban-knowledgeable LLMs for human mobility simulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google