💻 computer science

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

Cet article présente COMPASS, un nouveau cadre qui comble le fossé entre le réalisme individuel et collectif dans la simulation de la mobilité humaine basée sur les LLM en exploitant les lois d'échelle empiriques de la mobilité comme mécanisme de rétroaction pour guider la construction des prompts, assurant ainsi à la fois des trajectoires individuelles réalistes et des régularités au niveau de la population précises.

Auteurs originaux : Hua Yan, Heng Tan, Yu Yang

Publié 2026-07-15

📖 9 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hua Yan, Heng Tan, Yu Yang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez essayer de prédire comment une ville respire. Les urbanistes, les épidémiologistes et les ingénieurs du trafic ont besoin de savoir comment les gens se déplacent : où ils vont, quelle distance ils parcourent et à quelle fréquence ils visitent le même café. C'est ce qu'on appelle la « mobilité humaine ». Habituellement, pour obtenir ces données, les chercheurs doivent demander aux gens de remplir des enquêtes coûteuses ou de suivre leurs téléphones, ce qui soulève d'importantes préoccupations en matière de confidentialité. Ainsi, les scientifiques ont commencé à utiliser l'intelligence artificielle, plus précisément les grands modèles de langage (LLM), pour agir comme des humains numériques. Ils donnent à l'IA un profil de personnalité (comme « un enseignant qui vit en banlieue ») et lui demandent d'écrire une journée entière de déplacements. Le problème est que, bien que ces agents d'IA soient excellents pour jouer le rôle d'une seule personne, ils échouent souvent lorsqu'on regarde la foule dans son ensemble. Si vous simulez un million d'entre eux, le groupe ne se déplace pas comme une vraie ville ; les embouteillages ne se forment pas aux bons endroits et les distances parcourues semblent bizarres. C'est comme avoir un million d'acteurs qui sont tous excellents dans leurs propres répliques, mais où la pièce s'effondre parce que personne ne suit le script de l'ensemble de la troupe.

Ce document présente une nouvelle méthode appelée COMPASS pour corriger ce décalage. Les chercheurs se sont rendu compte que le mouvement humain réel suit des règles mathématiques cachées appelées « lois d'échelle » (scaling laws). Ce sont des motifs qui apparaissent quel que soit le nombre de personnes que vous observez, comme le fait que la plupart des trajets sont courts et que seuls quelques-uns sont très longs. COMPASS utilise ces règles comme une boussole. Il simule une foule, vérifie si le mouvement du groupe correspond aux règles mathématiques du monde réel, puis utilise une IA pour ajuster les instructions (prompts) données aux individus numériques. C'est comme un chef d'orchestre qui écoute un orchestre, remarque que les violons sont trop forts et que les tambours sont trop faibles, puis murmure des ajustements spécifiques aux bons musiciens jusqu'à ce que toute la symphonie soit parfaite. Le papier suggère qu'en utilisant ces règles au niveau de la population pour guider les agents d'IA individuels, nous pouvons créer des simulations beaucoup plus réalistes de la façon dont les villes fonctionnent, même lorsque nous ne disposons que de données limitées ou grossières pour commencer.

Le Problème : De Grands Solistes, de Terribles Chœurs

Imaginez que vous dirigiez un immense chœur d'un million de chanteurs. Vous voulez qu'ils produisent le rythme quotidien d'une vraie ville. Vous donnez à chaque chanteur une feuille de papier avec l'histoire de son personnage : « Vous êtes une infirmière », « Vous êtes un étudiant », « Vous-êtes un retraité ». Vous demandez à une IA d'écrire une chanson pour chaque personne basée sur son personnage.

L'IA fait un travail fantastique. L'« infirmière » chante un horaire de garde crédible ; l'« étudiant » chante sur sa course vers les cours. Mais quand vous jouez un million de chansons à la fois, la musique sonne faux. Peut-être que tout le monde chante trop fort à midi, ou peut-être que les « infirmières » marchent toutes vers le même hôpital lointain exactement au même moment, créant un embouteillage qui n'arrive jamais dans la réalité. Les chanteurs individuels sont parfaits, mais le son collectif est un désastre.

C'est exactement ce qui se passe avec les simulations de mobilité par IA actuelles. Elles sont excellentes pour rendre une personne réelle, mais elles échouent à capturer la « magie du groupe » de la façon dont les populations réelles se déplacent. Les vraies personnes suivent des motifs invisibles. Par exemple, la plupart d'entre nous faisons des trajets courts pour aller à l'épicerie, et seuls quelques-uns d'entre nous faisons de longs voyages à travers le pays. Si une IA simule trop de longs trajets, tout le modèle s'effondre. Les chercheurs ont découvert que les simulateurs d'IA existants généraient trop de trajets longue distance et pas assez de trajets courts, et qu'ils ne capturaient pas le bon mélange de personnes qui aiment explorer de nouveaux endroits par rapport à celles qui fréquentent toujours leurs lieux habituels.

La Solution : COMPASS et la Boussole Magique

Les auteurs ont créé un cadre appelé COMPASS (COllective Multi-Prompt Adjustment guided by Scaling lawS). Voyez COMPASS comme un chef d'orchestre super intelligent qui ne se contente pas d'écouter le chœur ; il possède une carte de la façon dont une vraie ville devrait sonner.

Voici comment cela fonctionne, étape par étape :

Le Premier Brouillon : L'IA génère une foule de personnes numériques et leurs mouvements.
Le Test de Réalité : COMPASS observe l'ensemble de la foule et les mesure par rapport aux « lois d'échelle ». Ce sont les règles mathématiques du mouvement réel. Par exemple, il vérifie : « Est-ce que les distances parcourues par les gens ressemblent à la distribution d'une vraie ville ? » ou « Est-ce que les gens visitent les mêmes endroits assez souvent ? »
Le Diagnostic : Si la simulation est décalée, COMPASS comprend pourquoi. Peut-être que les « infirmières » marchent trop loin, ou que les « étudiants » explorent trop.
Le Murmure : Au lieu de réécrire toute la chanson, COMPASS donne un petit murmure spécifique à l'IA. Il dit : « Hé, pour ce groupe de personnes, dites-leur de rester proches de chez eux », ou « Dites à ces gens de visiter la même salle de sport chaque jour ».
La Recherche : Le système utilise une méthode de recherche intelligente (appelée Monte Carlo Tree Search) pour déterminer quelles personnes spécifiques ont besoin de quel murmure. C'est comme essayer différentes combinaisons d'instructions pour voir quel mélange fait en sorte que tout le chœur sonne de la manière la plus réaliste.

L'Arme Secrète : Des Miettes dans le Pot de Cookies

L'une des parties les plus intéressantes de ce papier est la façon dont il gère les données. Habituellement, pour obtenir ces lois d'échelle, vous avez besoin de données parfaites et détaillées sur le mouvement de chaque personne. Mais ces données sont souvent privées ou difficiles à obtenir.

Les chercheurs ont découvert quelque chose d'incroyable : vous n'avez pas besoin de données parfaites. Vous pouvez utiliser des données « à grain grossier » (coarse-grained). Imaginez que vous avez un cookie. Vous n'avez pas besoin de voir chaque miette pour savoir que c'est un cookie aux pépites de chocolat ; vous avez juste besoin de quelques miettes. COMPASS peut utiliser des résumés approximatifs de mouvement (comme « les gens parcourent une moyenne de X milles ») ou même simplement les formules mathématiques du mouvement trouvées dans de vieilles études pour guider l'IA.

Ils ont testé cela avec trois types de données :

Détaillées mais anonymes : Données avec des identifiants d'utilisateurs mais des localisations grossières.
Sans identifiants : Juste un tas de trajectes de mouvement sans savoir à qui ils appartiennent.
Juste des statistiques : Juste les chiffres et les formules, sans aucun trajet réel.

Même avec seulement les statistiques (les « miettes »), COMPASS a été capable de guider l'IA pour créer des simulations beaucoup plus réalistes. C'est énorme car cela signifie que nous pouvons construire de meilleurs modèles de villes sans avoir besoin d'envahir la vie privée de qui que ce soit ou d'attendre des ensembles de données parfaits.

Les Résultats : Une Symphonie de Réalisme

L'équipe a testé COMPASS sur des données réelles de Pékin et de New York. Ils ont comparé leur méthode aux autres simulateurs d'IA de pointe.

Les résultats étaient clairs : COMPASS a gagné.

À Pékin, il a amélioré le réalisme des distances de voyage jusqu'à 74,79 % par rapport à la meilleure méthode précédente.
Il a également été meilleur pour prédire la fréquence à laquelle les gens reviennent aux mêmes endroits (un comportement appelé « retour préférentiel ») et à quel point ils explorent de nouvelles zones.
Même en utilisant les données de « juste statistiques » (le troisième type), il a quand même battu toutes les autres méthodes, prouvant qu'on n'a pas besoin d'une boule de cristal pour obtenir une bonne image du futur.

Les chercheurs ont également découvert qu'ils n'avaient pas besoin d'ajuster chaque personne de la simulation. En peaufinant seulement 15 % des personnes numériques et en copiant ensuite ces changements sur des personnes similaires, ils pouvaient corriger toute la foule. Cela permet d'économiser une quantité massive de puissance de calcul.

Pourquoi Cela Importe

Il ne s'agit pas seulement de créer un meilleur jeu vidéo. Si nous pouvons simuler de manière réaliste la façon dont les gens se déplacent, nous pouvons :

Mieux planifier les villes : Concevoir des routes et des transports publics qui correspondent réellement à la façon dont les gens voyagent.
Prédire la propagation des maladies : Comprendre comment un virus pourrait se propager à travers une foule si nous connaissons les vrais schémas de mouvement.
Protéger la vie privée : Nous pouvons étudier ces schémas sans avoir besoin d'espionner les téléphones de vraies personnes.

Le papier suggère qu'en écoutant la « musique mathématique » de la façon dont les foules se déplacent, nous pouvons apprendre à l'IA à agir comme une véritable société, et non comme une simple collection d'individus isolés. C'est un rappel que parfois, pour comprendre le tout, il faut écouter les règles qui régissent le groupe, et non seulement la voix de l'individu.

Résumé Technique : Combler le fossé entre réalisme individuel et collectif dans la simulation de la mobilité humaine basée sur les LLM via l'orientation par les lois d'échelle de la mobilité

Énoncé du problème

Les données de mobilité humaine sont cruciales pour les applications géospatiales telles que l'urbanisme, la prévision épidémique et la modélisation des transports. Cependant, l'acquisition de données réelles à grande échelle est entravée par des coûts de collecte élevés, une couverture inégale et des préoccupations liées à la vie privée. Bien que les grands modèles de langage (LLM) offrent une alternative évolutive en simulant des agents individuels basés sur des profils d'utilisateurs, les approches actuelles basées sur les LLM souffrent d'une déconnexion fondamentale : elles modélisent les processus cognitifs individuels de manière isolée sans coordination au niveau de la population. Par conséquent, bien que les trajectoires individuelles puissent paraître plausibles, le résultat agrégé ne parvient pas à reproduire les régularités collectives (lois d'échelle) observées dans les données réelles, telles que des distributions spécifiques de distances de voyage, de fréquences de visite et de rayons spatiaux. Les méthodes existantes manquent d'un mécanisme pour combler l'écart entre la génération au niveau individuel et le réalisme collectif.

Méthodologie : Le cadre COMPASS

Les auteurs proposent COMPASS (COllective Multi-Prompt Adjustment framework guided by Scaling lawS), un cadre qui exploite les lois d'échelle de la mobilité empiriques issues de données partagées comme signaux de rétroaction pour guider la construction des prompts. L'innovation centrale consiste à traiter l'ajustement des prompts comme un problème d'optimisation multi-objectif et multi-prompts formulé comme un processus de décision de Markov (MDP) et résolu via une recherche arborescente de Monte Carlo (MCTS).

1. Formulation du problème :
L'objectif est de trouver un ensemble optimal de prompts personnalisés $\mathcal{P} = \{p_1, \dots, p_n\}$ pour une population de $n$ individus. Chaque prompt est augmenté de descriptions de personas spécifiques et de contraintes comportementales pour optimiser conjointement plusieurs métriques de lois d'échelle (ex: distance de voyage, rayon de gyration, fréquence de visite) dérivées de données partagées.

2. Formulation du MDP :

État ( $S$ ) : L'ensemble actuel des prompts assignés à tous les individus.
Action ( $A$ ) : Stratégies d'ajustement à grain grossier générées par un LLM. Ces stratégies sont dérivées en comparant les métriques de lois d'échelle simulées aux métriques cibles des données partagées. Le LLM partitionne la population en groupes comportementalement cohérents et propose des stratégies sur mesure pour chacun.
Transition ( $T$ ) : Une action sélectionne une fraction $\rho$ d'utilisateurs au sein d'un groupe cible. Un LLM de réécriture de prompts met à jour leurs prompts en fonction de la stratégie, tandis que les autres restent inchangés.
Récompense ( $r$ ) : Une fonction de récompense multi-objectif qui mesure l'amélioration des métriques de lois d'échelle agrégées. Elle utilise une moyenne géométrique des utilités normalisées à travers différentes métriques pour assurer des améliorations équilibrées sans dégrader un objectif unique.

3. Optimisation via MCTS à deux niveaux :
Pour naviguer efficacement dans l'espace de recherche complexe, COMPASS emploie une procédure MCTS à deux niveaux :

Sélection au niveau de la stratégie : Utilise l'UCB (Upper Confidence Bound) pour sélectionner des stratégies d'ajustement prometteuses.
Sélection au niveau de l'utilisateur : Utilise un bandit UCB par utilisateur pour identifier les individus spécifiques au sein d'un groupe qui sont les plus réceptifs à une stratégie donnée.
Filtrage des candidats : Pour réduire le coût computationnel, un estimateur de valeur d'action globale conditionné par le compte filtre l'espace des actions avant la régénération coûteuse des trajectoires.
Généralisation : Le cadre optimise les prompts sur un sous-ensemble de la population et généralise les ajustements résultants à l'ensemble de la population en fonction de la similitude des profils, réduisant ainsi considérablement la surcharge de recherche.

4. Orientation par les données :
COMPASS est conçu pour fonctionner avec différents niveaux de granularité de données, incluant :

Des trajectoires à grain grossier avec identifiants d'utilisateurs.
Des trajectoires à grain grossier sans identifiants d'utilisateurs.
Des résumés statistiques purs (ex: exposants de loi de puissance) sans données de trajectoire.

Contributions clés

Pont conceptuel : Le papier introduit l'idée novatrice d'utiliser les lois d'échelle de la mobilité humaine issues de données partagées comme mécanisme de guidage pour aligner les trajectoires générées par LLM individuelles avec les modèles de population collectifs.
Cadre COMPASS : Les auteurs conçoivent un cadre d'ajustement multi-prompts qui utilise une recherche MCTS à deux niveaux pour déterminer simultanément quelles stratégies d'ajustement appliquer et quels individus doivent les recevoir. Cela transforme les stratégies de groupe grossières en adaptations fines au niveau individuel.
Validation empirique : Des expériences approfondies sur deux jeux de données publics (Pékin et New York City) démontrent que COMPASS surpasse les simulateurs basés sur les LLM de pointe (incluant CoPB, Urban-Mobility-LLM, LLMob et CitySim). Les améliorations varient de 10,70 % à 74,79 % sur plusieurs métriques (ex: distance de voyage, exploration, retour préférentiel).
Robustesse à la rareté des données : L'étude montre que même des résumés statistiques sans informations de niveau de trajectoire peuvent guider efficacement les simulations, renforçant la déployabilité pratique du cadre dans des environnements à données contraintes.

Résultats

Performance : Sur le jeu de données de Pékin, COMPASS a obtenu la meilleure performance sur toutes les métriques, avec des réductions significatives de la divergence de Jensen–Shannon (JSD) par rapport aux bases de référence. Par exemple, il a amélioré la métrique "Retour" de 74,79 % et l'"Exploration" de 41,17 % par rapport à la meilleure base de référence.
Reproduction des lois d'échelle : L'analyse visuelle a confirmé que COMPASS a réussi à corriger la distribution des distances de voyage et les comportements de retour préférentiel, les rapprochant des lois de puissance tronquées du monde réel et des comportements d'utilisateurs hétérogènes.
Études d'ablation : Supprimer la sélection par bandit d'utilisateur ou l'UCB conditionné par le compte a considérablement dégradé les performances, validant la nécessité de la recherche à deux niveaux. De même, remplacer MCTS par une recherche aléatoire a entraîné des chutes de performance substantielles, soulignant l'importance de l'algorithme de recherche.
Généralisation : L'optimisation des prompts sur un sous-ensemble (30 % des utilisateurs) et leur mise à l'échelle vers la population entière a produit des performances comparables à une optimisation sur l'ensemble des données, confirmant l'efficacité de la méthode.
Agnosticisme du modèle : Le cadre a bien fonctionné sur différents backbones de LLM (GPT-5.2, GPT-4o-mini, LLaMA 3.3, Qwen 2.5), indiquant que son efficacité ne dépend pas d'un modèle propriétaire spécifique.

Signification et Revendications

Le papier affirme que COMPASS répond à une limitation critique des simulations de mobilité actuelles basées sur les LLM : l'incapacité à reproduire les régularités collectives. En intégrant les lois d'échelle comme boucle de rétroaction, le cadre garantit que les agents individuels, bien que simulés de manière isolée, génèrent collectivement des flux de population réalistes. Les auteurs soulignent que cette approche est particulièrement significative car elle :

Permet une simulation de haute fidélité sans nécessiter l'accès à des données réelles sensibles au niveau individuel.
Fonctionne efficacement même lorsque seules des données grossières ou statistiques sont disponibles pour le guidage.
Fournit une solution évolutive pour des tâches en aval comme la modélisation épidémique et l'urbanisme, où les flux agrégés précis sont plus critiques que la perfection de la trajectoire individuelle.

Le travail conclut que l'exploitation des lois d'échelle est une stratégie viable et efficace pour combler le fossé entre le réalisme individuel et la cohérence collective dans les simulations d'IA générative.