💻 computer science

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

Dit artikel introduceert COMPASS, een nieuw raamwerk dat individueel en collectief realisme in op LLM gebaseerde menselijke mobiliteitssimulatie overbrugt door empirische mobiliteitsschaalwetten te benutten als een feedbackmechanisme om de constructie van prompts te sturen, waardoor zowel realistische individuele trajecten als nauwkeurige populatieniveau-regelmatigheden worden gewaarborgd.

Oorspronkelijke auteurs: Hua Yan, Heng Tan, Yu Yang

Gepubliceerd 2026-07-15

📖 8 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hua Yan, Heng Tan, Yu Yang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te voorspellen hoe een stad ademt. Stedelijke planners, epidemiologen en verkeersingenieurs moeten weten hoe mensen bewegen: waar ze naartoe gaan, hoe ver ze reizen en hoe vaak ze dezelfde koffiebar bezoeken. Dit wordt "menselijke mobiliteit" genoemd. Normaal gesproken moeten onderzoekers, om deze gegevens te verkrijgen, mensen vragen om dure enquêtes in te vullen of hun telefoons te volgen, wat grote zorgen oproept over de privacy. Daarom zijn wetenschappers begonnen met het gebruik van Kunstmatige Intelligentie, specifiek Large Language Models (LLM's), om te fungeren als digitale mensen. Ze geven de AI een persoonlijkheidsprofiel (zoals "een leraar die in de buitenwijken woont") en vragen het om een dag aan bewegingen te schrijven. Het probleem is dat hoewel deze AI-agenten geweldig zijn in het acteren als één persoon, ze vaak falen wanneer je naar de hele menigte kijkt. Als je een miljoen van hen simuleert, beweegt de groep niet als een echte stad; de verkeersopstoppingen vormen zich niet op de juiste plaatsen en de afgelegde afstanden zien er vreemd uit. Het is also리고 een miljoen acteurs die allemaal geweldig zijn in hun eigen regels, maar het toneelstuk valt uit elkaar omdat niemand het script van de hele cast volgt.

Dit artikel introduceert een nieuwe methief genaamd COMPASS om die discrepantie te herstellen. De onderzoekers realiseerden zich dat echte menselijke beweging verborgen, wiskundige regels volgt die "schaalwetten" worden genoemd. Dit zijn patronen die verschijnen ongeacht hoeveel mensen je bekijkt, zoals het feit dat de meeste ritten kort zijn en slechts enkelen zeer lang. COMPASS gebruikt deze regels als een kompas. Het simuleert een menigte, controleert of de beweging van de groep overeenkomt met de wiskundige regels uit de echte wereld, en gebruikt vervolgens AI om de instructies (prompts) die aan individuele digitale mensen worden gegeven, aan te passen. Het is als een dirigent die luistert naar een orkest, merkt dat de violen te hard zijn en de drums te zacht, en dan specifieke aanpassingen fluistert aan precies de juiste muzikanten totdat de hele symfonie perfect klinkt. Het artikel suggereert dat door deze populatieniveau-regels te gebruiken om individuele AI-agenten te sturen, we veel realistischere simulaties kunnen maken van hoe steden werken, zelfs wanneer we slechts beperkte of grove gegevens hebben om mee te beginnen.

Het Probleem: Geweldige Solisten, Verschrikkelijke Koorzangers

Stel je voor dat je een enorm koor van één miljoen zangers dirigeert. Je wilt dat ze klinken als het dagelijkse ritme van een echte stad. Je geeft elke zanger een vel papier met het achtergrondverhaal van hun personage: "U bent een verpleegkundige," "U bent een student," "U bent een gepensioneerde." Je vraagt een AI om voor elke persoon een liedje te schrijven op basis van hun personage.

De AI doet een fantastisch werk. De "verpleegkundige" zingt een geloofwaardig dienstrooster; de "student" zingt over het haasten naar de les. Maar wanneer je alle één miljoen liedjes tegelijk afspeelt, klinkt de muziek fout. Misschien zingen iedereen rond het middaguur te hard, of misschien lopen alle "verpleegkundigen" rond hetzelfde tijdstip naar exact hetzelfde verre ziekenhuis, waardoor er een verkeersopstopping ontstaat die in het echte leven nooit voorkomt. De individuele zangers zijn perfect, maar het collectieve geluid is een puinhoop.

Dit is precies wat er gebeurt met huidige AI-mobiliteitssimulaties. Ze zijn geweldig in het maken van één persoon die echt lijkt, maar ze falen in het vastleggen van de "groepsmagie" van hoe echte populaties bewegen. Echte mensen volgen onzichtbare patronen. Bijvoorbeeld, de meeste van ons maken korte ritten naar de supermarkt, en slechts enkelen van ons maken lange reizen door het land. Als een AI te veel lange reizen simuleert, stort het hele model in. De onderzoekers ontdekten dat bestaande AI-simulatoren te veel langeafstandreizen maakten en niet genoeg korte, en dat ze niet de juiste mix vastlegden van mensen die ervan houden nieuwe plekken te verkennen versus mensen die bij hun favoriete plekken blijven.

De Oplossing: COMPASS en de Magische Kompas

De auteurs creëerden een framework genaamd COMPASS (COllective Multi-Prompt Adjustment guided by Scaling lawS). Denk aan COMPASS als een superintelligente dirigent die niet alleen naar het koor luistert; het heeft een kaart van hoe een echte stad zou moeten klinken.

Zo werkt het, stap voor stap:

De Eerste Versie: De AI genereert een menigte digitale mensen en hun bewegingen.
De Werkelijkheidstoets: COMPASS kijkt naar de hele menigte en meet deze af tegen "schaalwetten". Dit zijn de wiskundige regels van echte beweging. Het controleert bijvoorbeeld: "Zien de afstanden die mensen afleggen eruit als de distributie van een echte stad?" of "Bezoeken mensen de bekende plekken vaak genoeg?"
De Diagnose: Als de simulatie afwijkt, ontdekt COMPESS waarom. Misschien lopen de "verpleegkundigen" te ver, of de "studenten" verkennen te veel.
Het Fluisteren: In plaats van het hele lied opnieuw te schrijven, geeft COMPASS een kleine, specifieke fluistering aan de AI. Het zegt: "Hé, voor deze groep mensen, vertel hen om dichter bij huis te blijven," of "Vertel deze mensen om elke dag dezelfde sportschool te bezoeken."
De Zoektocht: Het systeem gebruikt een slimme zoekmethode (genaamd Monte Carlo Tree Search) om te achterhalen welke specifieke mensen welke fluistering nodig hebben. Het is als het proberen van verschillende combinaties van instructies om te zien welke mix ervoor zorgt dat het hele koor het meest realistisch klinkt.

Het Geheime Wapen: Kruimels uit de Koekjestrommel

Een van de coolste onderdelen van dit artikel is hoe het met gegevens omgaat. Meestal heb je perfecte, gedetailleerde gegevens nodig over de beweging van elke persoon om deze schaalwetten te verkrijgen. Maar die gegevens zijn vaak privé of moeilijk te verkrijgen.

De onderzoekers ontdekten iets verbazingwekkends: Je hebt geen perfecte gegevens nodig. Je kunt "grofmazige" gegevens gebruiken. Stel je voor dat je een koekje hebt. Je hoeft niet elke kruimel te zien om te weten dat het een chocoladechipkoekje is; je hebt slechts een paar kruimels nodig. COMPASS kan grove samenvattingen van beweging gebruiken (zoals "mensen reizen gemiddeld X mijl") of zelfs gewoon de wiskundige formules van beweging uit oude studies om de AI te sturen.

Ze testten dit met drie soorten gegevens:

Gedetailleerd maar anoniem: Gegevens met gebruikers-ID's maar grove locaties.
Geen ID's: Alleen een verzameling bewegingspaden zonder te weten bij wie ze horen.
Alleen Statistieken: Alleen de cijfers en formules, helemaal geen werkelijke bewegingspaden.

Zelfs met alleen de statistieken (de "kruimels") was COMPASS in staat om de AI te sturen om veel realistischere simulaties te creëren. Dit is enorm belangrijk, omdat het betekent dat we betere stadsmodellen kunnen bouwen zonder iemands privacy te schenden of te wachten op perfecte datasets.

De Resultaten: Een Symfonie van Realisme

Het team testte COMPASS met echte gegevens uit Beijing en New York City. Ze vergeleken hun methode met andere top AI-simulatoren.

De resultaten waren duidelijk: COMPASS won.

In Beijing verbeterde het de realiteitszin van reisafstanden met wel 74,79% vergeleken met de beste vorige methode.
Het was ook beter in het voorspellen van hoe vaak mensen terugkeren naar dezelfde plaatsen (een gedrag dat "preferential return" wordt genoemd) en hoeveel ze nieuwe gebieden verkennen.
Zelfs wanneer ze de "alleen statistieken" gegevens gebruikten (het derde type), versloeg het nog steeds alle andere methoden, wat bewijst dat je geen kristallen bol nodig hebt om een goed beeld van de toekomst te krijgen.

De onderzoekers ontdekten ook dat ze niet elke persoon in de simulatie hoefden aan te passen. Door slechts 15% van de digitale mensen aan te passen en die wijzigingen vervolgens te kopiëren naar soortgelijke mensen, konden ze de hele menigte corrigeren. Dit bespaart een enorme hoeveelheid computerkracht.

Waarom Dit Ertoe Doet

Dit gaat niet alleen over het maken van een betere videogame. Als we kunnen simuleren hoe mensen zich realistisch bewegen, kunnen we:

Betere steden plannen: Wegen en openbaar vervoer ontwerpen die daadwerkelijk overeenkomen met hoe mensen reizen.
Ziekteverspreiding voorspellen: Begrijpen hoe een virus zich door een menigte zou bewegen als we de echte bewegingspatronen kennen.
Privacy beschermen: We kunnen deze patronen bestuderen zonder de noodzaak om echte mensen via hun telefoons te bespioneren.

Het artikel suggereert dat door te luisteren naar de "wiskundige muziek" van hoe menigten bewegen, we AI kunnen leren om als een echte samenleving te handelen, en niet alleen als een verzameling eenzame individuen. Het is een herinnering dat je soms, om het geheel te begrijpen, moet luisteren naar de regels die de groep beheersen, en niet alleen naar de stem van het individu.

Technische Samenvatting: Het overbruggen van individueel en collectief realisme in LLM-gebaseerde menselijke mobiliteitssimulatie via sturing door Mobiliteitsschaalwetten

Probleemstelling

Menselijke mobiliteitsgegevens zijn cruciaal voor geospatiale toepassingen zoals stedelijke planning, epidemische voorspelling en transportmodellering. Het verwerven van real-world data op schaal wordt echter belemmerd door hoge verzamelkosten, ongelijkmatige dekking en privacyzorgen. Hoewel Large Language Models (LLM's) een schaalbaar alternatief bieden door individuele agenten te simuleren op basis van gebruikersprofielen, lijden huidige LLM-gebaseerde benaderingen aan een fundamentele ontkoppeling: ze modelleren individuele cognitieve processen in isolatie zonder populatiebrede coördinatie. Bijgevolg kunnen individuele trajecten weliswaar plausibel lijken, maar faalt de geaggregeerde output in het reproduceren van de collectieve regelmatigheden (schaalwetten) die worden waargenomen in real-world data, zoals specifieke distributies van reisafstanden, bezoekfrequenties en ruimtelijke bereiken. Bestaande methoden missen een mechanisme om de kloof tussen generatie op individueel niveau en collectief realisme te overbruggen.

**Methodologie: Het COMPASS-framework-

De auteurs stellen COMPASS voor (COllective Multi-Prompt Adjustment framework guided by Scaling lawS), een framework dat empirische menselijke mobiliteitsschaalwetten uit gedeelde data gebruikt als feedbacksignalen om de promptconstructie te sturen. De kerninnovatie is het behandelen van prompt-aanpassing als een multi-objectieve, multi-prompt optimalisatieprobleem dat wordt geformuleerd als een Markovbeslissingsproces (MDP) en wordt opgelost via Monte Carlo Tree Search (MCTS).

1. Probleemformulering:
Het doel is om een optimale set gepersonaliseerde prompts $\mathcal{P} = \{p_1, \dots, p_n\}$ te vinden voor een populatie van $n$ individuen. Elke prompt wordt uitgebreid met specifieke persona-beschrijvingen en gedragsrestricties om meerdere schaalwet-metrieken (bijv. reisafstand, straal van gyratie, bezoekfrequentie) afgeleid van gedeelde data gezamenlijk te optimaliseren.

2. MDP-formulering:

Toestand ( $S$ ): De huidige set prompts toegewezen aan alle individuen.
Actie ( $A$ ): Grofmazige aanpassingsstrategieën gegenereerd door een LLM. Deze strategieën worden afgeleid door gesimuleerde schaalwet-metrieken te vergelijken met doel-metrieken uit gedeelde data. De LLM partitioneert de populatie in gedragsmatig coherente groepen en stelt op maat gemaakte strategieën voor elke groep voor.
Transitie ( $T$ ): Een actie selecteert een fractie $\rho$ van de gebruikers binnen een doelgroep. Een prompt-herschrijvende LLM werkt hun prompts bij op basis van de strategie, terwijl anderen ongewijzigd blijven.
Beloning ( $r$ ): Een multi-objectieve beloningsfunctie die de verbetering in geaggregeerde schaalwet-metrieken meet. Het maakt gebruik van een geometrisch gemiddelde van genormaliseerde nutswaarden over verschillende metrieken om gebalanceerde verbeteringen te garanderen zonder een enkel objectief te verslechteren.

3. Optimalisatie via twee-niveau MCTS:
Om de complexe zoekruimte efficiënt te navigeren, gebruikt COMPASS een twee-niveau MCTS-procedure:

Strategie-niveau selectie: Gebruikt Upper Confidence Bound (UCT) om veelbelovende aanpassingsstrategieën te selecteren.
Gebruikers-niveau selectie: Gebruikt een per-gebruiker Upper Confidence Bound (UCB) bandit om specifieke individuen binnen een groep te identificeren die het meest responsief zijn op een gegeven strategie.
Kandidaat-filtering: Om de computationele kosten te verlagen, filtert een count-conditioned globale actiewaarde-estimator de actieruimte voordat dure trajectregeneratie plaatsvindt.
Generalisatie: Het framework optimaliseert prompts op een kleine subset van de populatie en generaliseert de resulterende aanpassingen naar de volledige populatie op basis van profielgelijkenis, wat de zoekoverhead aanzienlijk vermindert.

4. Datasturing:
COMPASS is ontworpen om te opereren met variërende niveaus van datagranulariteit, waaronder:

Grofmazige trajecten met gebruikers-ID's.
Grofmazige trajecten zonder gebruikers-ID's.
Zuivere statistische samenvattingen (bijv. power-law exponenten) zonder trajectdata.

Kernbijdragen

Conceptuele Brug: Het artikel introduceert het nieuwe idee om menselijke mobiliteitsschaalwetten uit gedeelde data te gebruiken als een sturingsmechanisme om individuele door LLM gegenereerde trajecten af te stemmen op collectieve populatiepatronen.
COMPASS Framework: De auteurs ontwerpen een multi-prompt aanpassingsframework dat een twee-niveau MCTS-zoekopdracht gebruikt om simultaan te bepalen welke aanpassingsstrategieën toe te passen en welke individuen deze moeten ontvangen. Dit transformeert grove groepsstrategieën naar fijnmazige, individuele aanpassingen.
Empirische Validatie: Uit uitgebreide experimenten op twee publieke datasets (Beijing en New York City) blijkt dat COMPASS de state-of-the-art LLM-gebaseerde simulators (inclusief CoPB, Urban-Mobility-LLM, LLMob en CitySim) overtreft. De verbeteringen variëren van 10,70% tot 74,79% over meerdere metrieken (bijv. reisafstand, exploratie, preferentiële terugkeer).
Robuustheid tegen Dataschaarste: De studie toont aan dat zelfs statistische samenvattingen zonder traject-niveau informatie effectief kunnen dienen als sturing, wat de praktische inzetbaarheid van het framework versterkt.

Resultaten

Prestaties: Op de Beijing-dataset behaalde COMPASS de beste prestaties over alle metrieken, met significante reducties in Jensen–Shannon divergentie (JSD) vergeleken met de baselines. Zo verbeterde het de "Return"-metriek met 74,79% en de "Exploration"-metriek met 41,17% ten opzichte van de beste baseline.
Reproductie van Schaalwetten: Visuele analyse bevestigde dat COMPASS succesvol de distributie van reisafstanden en preferentiële terugkeergedrag heeft gecorrigeerd, waardoor deze dichter bij real-world truncated power laws en heterogene gebruikersgedragingen kwamen te liggen.
Ablatie-studies: Het verwijderen van de user-bandit selectie of de count-conditioned UCB leidde tot een significante verslechtering van de prestaties, wat de noodzaak van de twee-niveau zoekopdracht valideert. Eveneens leidde het vervangen van MCTS door random search tot substantiële prestatiedalingen, wat het belang van het zoekalgoritme benadrukt.
Generalisatie: Het optimaliseren van prompts op een subset (30% van de gebruikers) en het opschalen naar de volledige populatie leverde prestaties op die vergelijkbaar zijn met het optimaliseren op de volledige dataset, wat de efficiëntie van de methode bevestigt.
Model-agnosticisme: Het framework presteerde goed over verschillende LLM-backbones (GPT-5.2, GPT-4o-mini, LLaMA 3.3, Qwen 2.5), wat aangeeft dat de effectiviteit niet afhankelijk is van een specifiek propriëtair model.

Betekenis en Claims

Het artikel claimt dat COMPASS een kritieke beperking in huidige LLM-gebaseerde mobiliteitssimulaties aanpakt: het falen om collectieve regelmatigheden te reproduceren. Door schaalwetten als een feedbackloop te integreren, zorgt het framework ervoor dat individuele agenten, hoewel ze in isolatie worden gesimuleerd, collectief realistische populatie-niveau stromen genereren. De auteurs benadrukken dat deze aanpak bijzonder significant is omdat het:

Hoge getrouwheidssimulatie mogelijk maakt zonder toegang te vereisen tot gevoelige, individuele real-world data.
Effectief opereert, zelfs wanneer alleen grofmazige of statistische data beschikbaar is voor sturing.
Een schaalbare oplossing biedt voor downstream taken zoals epidemische modellering en stedelijke planning, waarbij accurate geaggregeerde stromen belangrijker zijn dan individuele trajectperfectie.

Het werk concludeert dat het benutten van schaalwetten een levensvatbare en effectieve strategie is om de kloof tussen individueel realisme en collectieve coherentie in generatieve AI-simulaties te overbruggen.