Towards Efficient and Evidence-grounded Mobility Prediction with LLM-Driven Agent

Sintesi Tecnica: Verso una previsione della mobilità efficiente e basata su evidenze con agenti guidati da LLM

Definizione del Problema
La previsione della mobilità a livello individuale è fondamentale per la simulazione urbana, la pianificazione dei trasporti e l'analisi della salute pubblica. Gli approcci esistenti si ripartiscono generalmente in due paradigmi, entrambi con significativi limiti:

1. Modelli di Sequenza Supervisionati: Metodi come RNN e Transformer raggiungono un'elevata precisione apprendendo le dipendenze spazio-temporali da dati su larga scala. Tuttavia, sono "black box" con una trasparenza limitata a livello decisionale, richiedono un addestramento specifico per il compito (rendendo costosa l'adattabilità a nuove città o granularità) e non possono cercare dinamicamente informazioni aggiuntive quando i segnali sono deboli.
2. Metodi Basati su LLM Statici: Approcci recenti convertono le traiettorie in testo e sfruttano i Large Language Models (LLM) per l'interpretabilità. Tuttavia, la maggior parte si basa su prompt statici e inferenza a singolo passaggio. Essi comprimono tutte le evidenze disponibili in un contesto fisso, mancando della capacità di recuperare iterativamente, verificare incrociando i dati o rivedere le previsioni quando i segnali di mobilità sono conflittuali o ambigui.

La sfida centrale affrontata è che gli istanze di mobilità variano in termini di difficoltà. I casi di routine (ad esempio, un utente che visita la stessa località a un orario specifico) sono facilmente risolti dalla regolarità storica, mentre i casi ambigui richiedono di conciliare segnali conflittuali provenienti dal contesto recente, dalle abitudini a lungo termine, dalle tendenze di permanenza-spostamento e dalla plausibilità geografica. Gli attuali metodi non riescono ad adattare lo sforzo di ragionamento a queste diverse difficoltà.

Metodologia: AgentMob
Gli autori propongono AgentMob, un framework di agente guidato da LLM e privo di addestramento (training-free), che inquadra la previsione della prossima località come un processo decisionale adattivo controllato da evidenze. Invece di trattare l'LLM come un predittore diretto, AgentMob lo utilizza come un controllore che decide dinamicamente quanta evidenza è necessaria per una specifica istanza.

Il framework opera attraverso il seguente processo:

1. Elaborazione dell'Input: I record GPS grezzi vengono discretizzati in unità spaziali (poligoni amministrativi o celle di griglia) e accoppiati con descrizioni testuali delle funzioni urbane (POI, descrizioni delle regioni).
2. Previsione Fast-Path (Percorso Rapido): L'agente esegue prima un controllo leggero sulla regolarità storica. Se la cronologia di un utente mostra una località dominante per quel giorno della settimana e quell'ora specifica, l'agente restituisce immediatamente questa località. Questo evita computazioni costose per i casi di routine.
3. Chiamata di Strumenti Adattiva (per Casi Ambigui): Quando la regolarità storica è insufficiente, l'agente entra in un ciclo iterativo (limitato a 10 iterazioni) per raccogliere evidenze. Esso invoca un Mobility Analysis Toolbox contenente quattro strumenti distinti:
   • Mobility Context Retriever: Riassume le sequenze di traiettoria recenti e le statistiche di visita alla stessa ora per distinguere la continuità immediata dai pattern a lungo termine.
   • Geographical Information Retriever: Fornisce metriche di distanza e descrizioni testuali delle località candidate per verificare la plausibilità geografica e la coerenza semantica.
   • Stay–Move Estimator: Stima la probabilità che l'utente rimanga nella posizione attuale rispetto allo spostamento, basandosi sulla durata della permanenza attuale rispetto alle statistiche storiche.
   • Historical Behavior Retriever: Recupera i pattern comportamentali (tempi di sosta, destinazioni successive frequenti) dalle visite passate a località simili in contesti temporali comparabili.
4. Decisione e Auditabilità: Il controllore LLM sintetizza le evidenze provenienti da questi strumenti, risolve i conflitti e produce una lista classificata di località candidate. Tutte le invocazioni degli strumenti sono vincolate ai dati disponibili prima del timestamp target per garantire la validità cronologica. L'intero processo genera una traccia auditabile dei passaggi di ragionamento e degli output degli strumenti.

Contributi Chiave

• Formulazione dell'Adattamento del Controllo delle Evidenze: Il documento riclassifica la previsione della mobilità come un processo decisionale a livello di istanza in cui un agente sceglie tra un percorso rapido di regolarità storica e una raccolta iterativa di evidenze per i casi ambigui.
• Agente Potenziato da Strumenti e Privo di Addestramento: AgentMob è un framework training-free che invoca selettivamente strumenti di mobilità (comportamentali, geografici e statistici) per produrre previsioni affidabili e auditabili senza dover sottoporre l'LLM sottostante a fine-tuning.
• Performance Forti e Spiegabili: Il framework dimostra che la raccolta adattiva di evidenze migliora significativamente la qualità della previsione, in particolare quando le statistiche di mobilità deterministiche sono insufficienti o conflittuali.

Risultati Sperimentali
Gli autori hanno valutato AgentMob su tre dataset con diverse granularità spaziali: BW (poligoni amministrativi di Tokyo), YJMob100K (griglie anonimizzate da 500m) e Shanghai ISP (log di rete mobile). Hanno confrontato AgentMob con modelli supervisionati (DeepMove, Transformer) e diversi metodi basati su LLM (AgentMove, LLM-Mob, TrajLLM, LLM Urban Residents) utilizzando backbone come GPT-5.4, GPT-4.1-mini e Qwen3-8B.

• Performance Complessiva: AgentMob ha ottenuto le migliori prestazioni complessive tra tutti i metodi basati su LLM privi di addestramento. Con GPT-5.4, ha raggiunto il 71,42% Acc@1 su BW, il 33,14% su YJMob100K e il 33,50% su Shanghai ISP.
• Confronto con Modelli Supervisionati: Sebbene i modelli supervisionati (come Transformer) siano rimasti superiori sul dataset BW dove i dati regolari sono abbondanti, AgentMob ha superato i baselines supervisionati su YJMob100K e Shanghai ISP, suggerendo che il ragionamento basato su evidenze è competitivo quando gli spazi di localizzazione sono densi o la cronologia è scarsa.
• Ruolo del Controllore LLM: Uno studio di ablazione che sostituisce il controllore LLM con una regola deterministica (AgentMob-Statistics) ha mostato che il controllore LLM fornisce i guadagni più significativi nei casi ambigui (non-fast-path). Sul sottoinsieme non-fast-path di BW, il controllore ha migliorato l'Acc@1 dal 30,65% al 48,62%, dimostrando il suo valore nel verificare incrociatamente i segnali conflittuali.
• Efficienza: AgentMob è altamente efficiente grazie alla sua strategia adattiva. Sul dataset BW, il 62,54% dei campioni è stato risolto tramite il fast path, risultando in un minor tempo di esecuzione (wall-clock time) e un minor uso di token rispetto ai baselines che elaborano tutti i campioni attraverso una procedura di inferenza pesante e fissa.

Significatività e Rivendicazioni
Il documento afferma che AgentMob rappresenta un passaggio dalla previsione statica a singolo passaggio a una inferenza adattiva, basata su evidenze e iterativa. La sua principale significatività risiede nel dimostrare che:

1. Il Ragionamento Adattivo è Cruciale: La capacità di allocare dinamicamente lo sforzo di ragionamento in base alla difficoltà della previsione (fast path vs. ragionamento profondo) è più efficace che forzare tutti i campioni attraverso una procedura uniforme e computazionalmente costosa.
2. L'Ancoraggio alle Evidenze Migliora l'Affidabilità: Attraverso il recupero e la verifica incrociata esplicita di molteplici fonti di evidenza (comportamentali, geografiche e statistiche), il sistema può risolvere ambiguità che i prompt statici o i puri modelli statistici non possono gestire.
3. Viabilità del Modello Senza Addestramento: È possibile ottenere una previsione della mobilità di alta qualità senza il costo di un addestramento del modello specifico per il compito, a patto che il sistema sia dotato di strumenti strutturati e di un controllore adattivo.

Gli autori concludono che il principale beneficio del loro approccio non è solo l'accuratezza pura, ma la capacità di fornire previsioni affidabili in scenari ambigui dove le statistiche deterministiche falliscono, mantenendo al contempo l'efficienza attraverso un meccanismo di fast-path per i casi di routine.