💻 computer science

Bridging Individual and Collective Realism in LLM-Based Human Mobility Simulation via Mobility Scaling-Law Guidance

Este artículo presenta COMPASS, un marco novedoso que une el realismo individual y el colectivo en la simulación de la movilidad humana basada en LLM mediante el aprovechamiento de las leyes de escala de movilidad empíricas como un mecanismo de retroalimentación para guiar la construcción de prompts, asegurando así tanto trayectorias individuales realistas como regularidades precisas a nivel de población.

Autores originales: Hua Yan, Heng Tan, Yu Yang

Publicado 2026-07-15

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hua Yan, Heng Tan, Yu Yang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina intentar predecir cómo respira una ciudad. Los planificadores urbanos, los epidemiólogos y los ingenieros de tráfico necesitan saber cómo se mueven las personas: a dónde van, qué distancia recorren y con qué frecuencia visitan la misma cafetería. Esto se llama "movilidad humana". Normalmente, para obtener estos datos, los investigadores tienen que pedir a las personas que completen encuestas costosas o rastrear sus teléfonos, lo que plantea grandes preocupaciones de privacidad. Por ello, los científicos han empezado a utilizar la Inteligencia Artificial, específicamente Modelos de Lenguaje Extensos (LLM, por sus siglas en inglés), para actuar como humanos digitales. Le dan al IA un perfil de personalidad (como "un profesor que vive en los suburbios") y le piden que escriba un día de movimientos. El problema es que, si bien estos agentes de IA son excelentes actuando como una persona, suelen fallar cuando se observa a la multitud en su conjunto. Si simulas a un millón de ellos, el grupo no se mueve como una ciudad real; los atascos de tráfico no se forman en los lugares correctos y las distancias recorridas parecen extrañas. Es como tener a un millón de actores que son excelentes con sus propias líneas, pero la obra se desmorona porque nadie sigue el guion de todo el elenco.

Este artículo presenta un nuevo método llamado COMPASS para solucionar esa desconexión. Los investigadores se dieron cuenta de que el movimiento humano real sigue reglas matemáticas ocultas llamadas "leyes de escala". Estas son patrones que aparecen sin importar a cuántas personas observes, como el hecho de que la mayoría de los viajes son cortos y solo unos pocos son muy largos. COMPASS utiliza estas reglas como una brújula. Simula una multitud, comprueba si el movimiento del grupo coincide con las reglas matemáticas del mundo real y luego utiliza una IA para ajustar las instrucciones (prompts) dadas a las personas digitales individuales. Es como un director de orquesta escuchando una orquesta, notando que los violines suenan demasiado fuerte y los tambores demasiado flojos, y luego susurrando ajustes específicos solo a los músicos adecuados hasta que toda la sinfonía suena perfecta. El artículo sugiere que, al usar estas reglas a nivel de población para guiar a los agentes de IA individuales, podemos crear simulaciones mucho más realistas de cómo funcionan las ciudades, incluso cuando solo tenemos datos limitados o imprecisos para empezar.

El Problema: Solistas Excelentes, Coros Terribles

Imagina que estás dirigiendo un coro masivo de un millón de cantantes. Quieres que suenen como el ritmo diario de una ciudad real. Entregas a cada cantante una hoja de papel con la historia de fondo de su personaje: "Eres una enfermera", "Eres un estudiante", "Eres un jubilado". Le pides a una IA que escriba una canción para cada persona basada en su personaje.

La IA hace un trabajo fantástico. La "enfermera" canta un horario de turno creíble; el "estudiante" canta sobre correr hacia la clase. Pero cuando reproduces todas las canciones de un millón de personas a la vez, la música suena mal. Tal vez todos cantan demasiado fuerte al mediodía, o tal vez las "enfermeras" están caminando todas hacia el mismo hospital distante al mismo tiempo, creando un atasco que nunca ocurre en la vida real. Los cantantes individuales son perfectos, pero el sonido colectivo es un desastre.

Esto es exactamente lo que ocurre con las simulaciones de movilidad actuales por IA. Son excelentes para hacer que una persona parezca real, pero fallan al capturar la "magia grupal" de cómo se mueven las poblaciones reales. Las personas reales siguen patrones invisibles. Por ejemplo, la mayoría de nosotros realizamos viajes cortos a la tienda de comestibles, y solo unos pocos de nosotros realizamos viajes largos a través del país. Si una IA simula demasiados viajes de larga distancia, todo el modelo se rompe. Los investigadores descubrieron que los simuladores de IA existentes estaban generando demasiados viajes de larga distancia y no suficientes de corta distancia, y no estaban capturando la mezcla adecuada de personas que aman explorar nuevos lugares frente a personas que se quedan en sus lugares favoritos.

La Solución: COMPASS y la Brújula Mágica

Los autores crearon un marco llamado COMPASS (COllective Multi-Prompt Adjustment guided by Scaling lawS - Ajuste de Multi-Prompts Colectivos guiado por Leyes de Escala). Piensa en COMPASS como un director de orquesta superinteligente que no solo escucha al coro, sino que tiene un mapa de cómo debería sonar una ciudad real.

Así es como funciona, paso a paso:

El Primer Borrador: La IA genera una multitud de personas digitales y sus movimientos.
La Verificación de la Realidad: COMPASS observa a toda la multitud y la mide frente a las "leyes de escala". Estas son las reglas matemáticas del movimiento real. Por ejemplo, comprueba: "¿Las distancias que recorre la gente se parecen a la distribución de una ciudad real?" o "¿La gente visita los mismos lugares con la frecuencia suficiente?".
El Diagnóstico: Si la simulación está erróca, COMPASS descubre por qué. Tal vez las "enfermeras" están caminando demasiado lejos, o los "estudiantes" están explorando demasiado.
El Susurro: En lugar de reescribir toda la canción, COMPASS le da un susurro pequeño y específico a la IA. Dice: "Oye, para este grupo de personas, diles que se queden más cerca de casa", o "Diles a estas personas que visiten el mismo gimnasio todos los días".
La Búsqueda: El sistema utiliza un método de búsqueda inteligente (llamado Búsqueda de Árbol de Monte Carlo) para determinar qué personas específicas necesitan qué susurro. Es como probar diferentes combinaciones de instrucciones para ver qué mezcla hace que todo el coro suene más realista.

El Arma Secreta: Migajas de la Galleta

Una de las partes más geniales de este artículo es cómo maneja los datos. Normalmente, para obtener estas leyes de escala, necesitas datos perfectos y detallados sobre el movimiento de cada persona. Pero esos datos suelen ser privados o difíciles de conseguir.

Los investigadores descubrieron algo asombroso: no necesitas datos perfectos. Puedes usar datos de "grano grueso". Imagina que tienes una galleta. No necesitas ver cada migaja para saber que es una galleta con chispas de chocolate; solo necesitas unas pocas migajas. COMPASS puede usar resúmenes aproximados de movimiento (como "la gente viaja un promedio de X millas") o incluso solo las fórmulas matemáticas del movimiento encontradas en estudios antiguos para guiar a la IA.

Probaron esto con tres tipos de datos:

Detallados pero anónimos: Datos con IDs de usuario pero ubicaciones aproximadas.
Sin IDs: Solo un montón de trayectorias de movimiento sin saber a quién pertenecen.
Solo Estadísticas: Solo los números y las fórmulas, sin trayectorias de movimiento reales en absoluto.

Incluso con solo las estadísticas (las "migajas"), COMPASS fue capaz de guiar a la IA para crear simulaciones mucho más realistas. Esto es enorme porque significa que podemos construir mejores modelos de ciudades sin necesidad de invadir la privacidad de nadie o esperar a conjuntos de datos perfectos.

Los Resultados: Una Sinfonía de Realismo

El equipo probó COMPASS con datos del mundo real de Beijing y Nueva York. Compararon su método con otros simuladores de IA de alto nivel.

Los resultados fueron claros: COMPASS ganó.

En Beijing, mejoró el realismo de las distidades de viaje hasta en un 74.79% en comparación con el mejor método anterior.
También fue mejor prediciendo la frecuencia con la que las personas regresan a los mismos lugares (un comportamiento llamado "retorno preferencial") y cuánto exploran nuevas áreas.
Incluso utilizando los datos de "solo estadísticas" (el tercer tipo), superó a todos los demás métodos, demostrando que no necesitas una bola de cristal para obtener una buena imagen del futuro.

Los investigadores también descubrieron que no necesitaban ajustar a cada una de las personas en la simulación. Al retocar solo al 15% de las personas digitales y luego copiar esos cambios a personas similares, pudieron arreglar a toda la multitud. Esto ahorra una cantidad masiva de potencia de cómputo.

Por Qué Esto Importa

Esto no es solo para hacer un mejor videojuego. Si podemos simular cómo se mueven las personas de manera realista, podemos:

Planificar mejores ciudades: Diseñar carreteras y transporte público que realmente coincidan con cómo viaja la gente.
Predecir la propagación de enfermedades: Comprender cómo un virus podría moverse a través de una multitud si conocemos los patrones de movimiento reales.
Proteger la privacidad: Podemos estudiar estos patrones sin necesidad de espiar los teléfonos de personas reales.

El artículo sugiere que, al escuchar la "música matemática" de cómo se mueven las multitudes, podemos enseñar a la IA a actuar como una sociedad real, no solo como una colección de individuos solitarios. Es un recordatorio de que, a veces, para entender el todo, tienes que escuchar las reglas que gobiernan al grupo, no solo la voz del individuo.

Resumen Técnico: Cerrando la brecha entre el realismo individual y el colectivo en la simulación de movilidad humana basada en LLM mediante la guía de las leyes de escala de la movilidad

Planteamiento del problema

Los datos de movilidad humana son críticos para aplicaciones geoespaciales como la planificación urbana, la previsión de epidemias y el modelado de transporte. Sin embargo, la adquisición de datos del mundo real a escala se ve obstaculizada por los altos costes de recolección, la cobertura desigual y las preocupaciones de privacidad. Aunque los Modelos de Lenguaje Extensos (LLMs) ofrecen una alternativa escalable al simular agentes individuales basados en perfiles de usuario, los enfoques actuales basados en LLM sufren un desfase fundamental: modelan procesos cognitivos individuales de forma aislada sin una coordinación a nivel de población. En consecuencia, aunque las trayectorias individuales pueden parecer plausibles, el resultado agregado no logra reproducir las regularidades colectivas (leyes de escala) observadas en los datos del mundo real, tales como distribuciones específicas de distancias de viaje, frecuencias de visitas y rangos espaciales. Los métodos existentes carecen de un mecanismo para cerrar la brecha entre la generación a nivel de individuo y el realismo colectivo.

Metodología: El marco COMPASS

Los autores proponen COMPASS (COllective Multi-Prompt Adjustment framework guided by Scaling lawS), un marco que aprovecha las leyes de escala de movilidad empíricas de datos compartidos como señales de retroalimentación para guiar la construcción de prompts. La innovación central es tratar el ajuste de prompts como un problema de optimización multi-objetivo y multi-prompt formulado como un Proceso de Decisión de Markov (MDP) y resuelto mediante la Búsqueda en Árbol de Monte Carlo (MCTS).

1. Formulación del problema:
El objetivo es encontrar un conjunto óptimo de prompts personalizados $\mathcal{P} = \{p_1, \dots, p_n\}$ para una población de $n$ individuos. Cada prompt es aumentado con descripciones de persona y restricciones de comportamiento específicas para optimizar conjuntamente múltiples métricas de leyes de escala (por ejemplo, distancia de viaje, radio de giroación, frecuencia de visita) derivadas de datos compartidos.

2. Formulación del MDP:

Estado ( $S$ ): El conjunto actual de prompts asignados a todos los individuos.
Acción ( $A$ ): Estrategias de ajuste de grano grueso generadas por un LLM. Estas estrategias se derivan comparando las métricas de leyes de escala simuladas con las métricas objetivo de los datos compartidos. El LLM particiona la población en grupos de comportamiento coherente y propone estrategias personalizadas para cada uno.
Transición ( $T$ ): Una acción selecciona una fracción $\rho$ de usuarios dentro de un grupo objetivo. Un LLM de reescritura de prompts actualiza sus prompts basándose en la estrategia, mientras que otros permanecen sin cambios.
Recompensa ( $r$ ): Una función de recompensa multi-objetivo que mide la mejora en las métricas de leyes de escala agregadas. Utiliza una media geométrica de utilidades normalizadas a través de diferentes métricas para asegurar mejoras equilibradas sin degradar ningún objetivo individual.

3. Optimización mediante MCTS de dos niveles:
Para navegar el complejo espacio de búsqueda de manera eficiente, COMPASS emplea un procedimiento MCTS de dos niveles:

Selección a nivel de estrategia: Utiliza el Límite de Confianza Superior (UCT) para seleccionar estrategias de ajuste prometedoras.
Selección a nivel de usuario: Utiliza un bandit de Límite de Confianza Superior (UCB) por usuario para identificar individuos específicos dentro de un grupo que son más receptivos a una estrategia determinada.
Filtrado de candidatos: Para reducir el coste computacional, un estimador de valor de acción global condicionado por conteo filtra el espacio de acciones antes de la regeneración de trayectorias costosa.
Generalización: El marco optimiza los prompts en un pequeño subconjunto de la población y generaliza los ajustes resultantes a la población completa basándose en la similitud de perfiles, reduciendo significativamente la sobrecarga de búsqueda.

4. Guía de datos:
COMPASS está diseñado para operar con distintos niveles de granularidad de datos, incluyendo:

Trayectorias de grano grueso con IDs de usuario.
Trayectorias de grano grueso sin IDs de usuario.
Resúmenes estadísticos puros (por ejemplo, exponentes de ley de potencia) sin datos de trayectoria.

Contribuciones clave

Puente conceptual: El artículo introduce la novedosa idea de utilizar las leyes de escala de la movilidad humana de datos compartidos como un mecanismo de guía para alinear las trayectorias generadas por LLM individuales con los patrones de población colectiva.
Marco COMPASS: Los autores diseñan un marco de ajuste de múltiples prompts que utiliza una búsqueda MCTS de dos niveles para determinar simultáneamente qué estrategias de ajuste aplicar y qué individuos deben recibirlas. Esto transforma las estrategias de grupo de grano grueso en adaptaciones finas a nivel de individuo.
Validación empírica: Experimentos extensos en dos conjuntos de datos públicos (Beijing y Nueva York) demuestran que COMPASS supera a los simuladores basados en LLM de última generación (incluyendo CoPB, Urban-Mobility-LLM, LLMob y CitySim). Las mejoras oscilan entre el 10,70% y el 74,79% en múltiples métricas (por ejemplo, distancia de viaje, exploración, retorno preferencial).
Robustez ante la escasez de datos: El estudio muestra que incluso los resúmenes estadísticos sin información a nivel de trayectoria pueden guiar eficazmente las simulaciones, mejorando la capacidad de despliegue práctico del marco.

Resultos

Rendimiento: En el conjunto de datos de Beijing, COMPASS logró el mejor rendimiento en todas las métricas, con reducciones significativas en la divergencia de Jensen–Shannon (JSD) respecto a los modelos de referencia. Por ejemplo, mejoró la métrica de "Retorno" en un 74,79% y la de "Exploración" en un 41,17% respecto al mejor modelo de referencia.
Reproducción de leyes de escala: El análisis visual confirmó que COMPASS corrigió con éxito la distribución de las distancias de viaje y los comportamientos de retorno preferencial, acercándolos a las leyes de potencia truncadas del mundo real y a los comportamientos de usuarios heterogéneos.
Estudios de ablación: Eliminar la selección de bandit de usuario o el UCB condicionado por conteo degradó significativamente el rendimiento, validando la necesidad de la búsqueda de dos niveles. Del mismo modo, reemplazar MCTS con una búsqueda aleatoria provocó caídas sustanciales en el rendimiento, resaltando la importancia del algoritmo de búsqueda.
Generalización: Optimizar los prompts en un subconjunto (30% de los usuarios) y escalarlos a la población completa produjo un rendimiento comparable al de optimizar en el conjunto de datos completo, confirmando la eficiencia del método.
Agnosticismo de modelo: El marco funcionó bien en diferentes arquitecturas de LLM (GPT-5.2, GPT-4o-mini, LLaMA 3.3, Qwen 2.5), lo que indica que su eficacia no depende de un modelo propietario específico.

Significancia y afirmaciones

El artículo afirma que COMPASS aborda una limitación crítica en las simulaciones de movilidad basadas en LLM actuales: la incapacidad de reproducir regularidades colectivas. Al integrar las leyes de escala como un bucle de retroalimentación, el marco asegura que los agentes individuales, aunque se simulen de forma aislada, generen colectivamente flujos de población realistas. Los autores enfatizan que este enfoque es particularmente significativo porque:

Permite una simulación de alta fidelidad sin requerir acceso a datos sensibles de nivel individual del mundo real.
Opera eficazmente incluso cuando solo se dispone de datos de grano grueso o estadísticos para la guía.
Proporciona una solución escalable para tareas posteriores como el modelado de epidemias y la planificación urbana, donde los flujos agregados precisos son más críticos que la perfección de la trayectoria individual.

El trabajo concluye que aprovechar las leyes de escala es una estrategia viable y efectiva para cerrar la brecha entre el realismo individual y la coherencia colectiva en las simulaciones de IA generativa.