使用大型语言模型的相遇驱动的城市规模的人类移动性生成

Arxiv：2610.17672v2公告类型：替换摘要：大型语言模型(LLM)通过对个人例程、活动和移动性偏好进行建模，已经显示出生成人类移动性的强大潜力。然而，现有的方法在很大程度上仍然是以居民为中心的：生成现实的个人轨迹并不一定能恢复当多个居民在同一地点和时间同时发生时出现的遭遇。为此，我们研究了感知相遇的人类移动性生成，它联合保持了个体的移动性和种群级别的交互结构。我们提出了EnCounterMob，这是一个由相遇生成器和迭代耦合框架组成的相遇驱动的LLM框架。相遇生成器首先捕获城市级别的相遇节奏，然后实例化参与者-时间-地点相遇，而迭代耦合框架通过连续的改进将这些相遇与个人移动行为相协调。我们进一步介绍了相遇恢复协议，涵盖相遇边缘分布和相遇联合分布在居民、时间和地点上。在日本和纽约的数据集上的实验表明，EnCounterMob在所有七个相遇指标和所有六个个人移动性指标上都优于所有外部基线。与ELLMob相比，它在日本/纽约分别减少了40.4%/41.7%的参与者-时间-地点联合误差和58.8%/32.7%的平均个人行动误差。