AgentMove: Predicting Human Mobility Anywhere Using Large Language Model based Agentic Framework

人类移动预测在各种实际应用中起着至关重要的作用。尽管基于深度学习的模型在过去十年中已经显示出了有希望的结果，但它们对于训练需要大量的私人移动数据，并且无法进行零-shot预测，这些都阻碍了进一步的进展。最近，人们尝试将大型语言模型(LLMs)应用到移动预测任务中。然而，它们的性能受到工作流程系统设计的限制。它们直接使用LLMs生成最终输出，这限制了LLMs发现复杂的移动模式的潜力，并低估了它们广泛的全球地理空间知识储备。在本文中，我们介绍了AgentMove，一种系统的代理预测框架，用于实现全球任何城市的广义移动预测。在AgentMove中，我们首先将移动预测任务分解为三个子任务，然后设计相应的模块来完成这些子任务，包括用于个体移动模式挖掘的时空记忆，用于建模城市结构影响的世界知识生成器，以及用于捕捉人口共享模式的集体知识提取器。最后，我们结合三个模块的结果并进行推理步骤来生成最终的预测结果。在12个城市的两个来源的移动数据上进行的大量实验表明，AgentMove在各种指标上优于最佳基线超过8％，并且它显示出强大的预测能力，使用各种LLMs作为基础，并且跨城市的地理偏差较小。代码和数据可以在https://github.com/tsinghua-fib-lab/AgentMove找到。

解决问题：论文旨在设计一个系统性的预测框架，通过利用大型语言模型，实现对全球任何城市的通用移动性预测。

关键思路：论文将移动性预测任务分解为三个子任务，并设计相应的模块来完成这些子任务，包括空间-时间记忆模块、世界知识生成器和集体知识提取器。最终，通过对三个模块的结果进行组合和推理，生成最终的预测。

其他亮点：论文使用两个数据源在12个城市的移动数据进行广泛实验，证明了AgentMove在各种指标上优于最佳基线超过8％，并且在使用各种LLM作为基础模型时表现出强大的预测能力。同时，AgentMove还具有较少的地理偏差，并提供了开源代码和数据。

相关研究：最近的相关研究包括直接使用大型语言模型进行移动性预测，但受到工作流程设计不当的限制。此外，深度学习模型在移动性预测方面也表现出了很好的效果，但是它们依赖于大量的私有移动数据进行训练，并且无法进行零样本预测。