💻 computer science

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

Este artigo introduz o COMPASS, um novo framework que une o realismo individual e coletivo na simulação de mobilidade humana baseada em LLMs ao aproveitar leis de escala de mobilidade empíricas como um mecanismo de feedback para guiar a construção de prompts, garantindo, assim, tanto trajetórias individuais realistas quanto regularidades populacionais precisas.

Autores originais: Hua Yan, Heng Tan, Yu Yang

Publicado 2026-07-15

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hua Yan, Heng Tan, Yu Yang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Tente imaginar como prever o modo como uma cidade respira. Planejadores urbanos, epidemiologistas e engenheiros de tráfego precisam saber como as pessoas se movem: para onde vão, quão longe viajam e com que frequência visitam o mesmo café. Isso é chamado de "mobilidade humana". Normalmente, para obter esses dados, os pesquisadores precisam pedir que as pessoas preencham pesquisas caras ou rastreiem seus telefones, o que levanta grandes preocupações de privacidade. Por isso, cientistas começaram a usar Inteligência Artificial, especificamente Modelos de Linguagem de Grande Escala (LLMs), para agir como humanos digitais. Eles dão à IA um perfil de personalidade (como "um professor que vive nos subúrbios") e pedem que ela escreva um dia inteiro de movimentos. O problema é que, embora esses agentes de IA sejam ótimos em atuar como uma pessoa, eles frequentemente falham quando você olha para a multidão como um todo. Se você simular um milhão deles, o grupo não se move como uma cidade real; os congestionamentos não se formam nos lugares certos e as distâncias percorridas parecem estranhas. É como ter um milhão de atores que são ótimos em suas próprias falas, mas a peça desmorona porque ninguém está seguindo o roteiro do elenco completo.

Este artigo apresenta um novo método chamado COMPASS para corrigir esse descompasso. Os pesquisadores perceberam que o movimento humano real segue regras matemáticas ocultas chamadas "leis de escala" (scaling laws). Estas são padrões que aparecem não importa quantas pessoas você observe, como o fato de que a maioria das viagens é curta e apenas algumas são muito longas. O COMPASS usa essas regras como uma bússola. Ele simula uma multidão, verifica se o movimento do grupo corresponde às regras matemáticas do mundo real e, em seguida, usa uma IA para ajustar as instruções (prompts) dadas aos indivíduos digitais. É como um maestro ouvindo uma orquestra, percebendo que os violinos estão muito altos e os tambores muito baixos, e então sussurrando ajustes específicos apenas para os músicos certos até que toda a sinfonia soe perfeita. O artigo sugere que, ao usar essas regras de nível populacional para guiar agentes de IA individuais, podemos criar simulações muito mais realistas de como as cidades funcionam, mesmo quando temos apenas dados limitados ou grosseiros para começar.

O Problema: Solistas Excelentes, Coros Terríveis

Imagine que você está dirigindo um coro massivo de um milhão de cantores. Você quer que eles soem como o ritmo diário de uma cidade real. Você entrega a cada cantor uma folha de papel com a história de seu personagem: "Você é um enfermeiro", "Você é um estudante", "Você é um aposentado". Você pede a uma IA para escrever uma música para cada pessoa baseada em seu personagem.

A IA faz um trabalho fantástico. O "enfermeiro" canta um horário de turno convincente; o "estudante" canta sobre correr para a aula. Mas quando você toca todos os um milhão de músicas ao mesmo tempo, a música soa errada. Talvez todos estejam cantando muito alto ao meio-dia, ou talvez os "enfermeiros" estejam todos caminhando para o mesmo hospital distante exatamente ao mesmo tempo, criando um congestionamento que nunca acontece na vida real. Os cantores individuais são perfeitos, mas o som coletivo é uma bagunça.

Isso é exatamente o que acontece com as atuais simulações de mobilidade por IA. Elas são ótimas em fazer uma pessoa parecer real, mas falham em capturar a "magia do grupo" de como as populações reais se movem. Pessoas reais seguem padrões invisíveis. Por exemplo, a maioria de nós faz viagens curtas para o supermercado, e apenas alguns de nós fazemos viagens longas pelo país. Se uma IA simula viagens longas demais, todo o modelo quebra. Os pesquisadores descobriram que os simuladores de IA existentes estavam criando muitas viagens de longa distância e não o suficiente de curta distância, e não estavam capturando a mistura certa de pessoas que amam explorar novos lugares versus pessoas que frequentam seus lugares favoritos.

A Solução: COMPASS e a Bússola Mágica

Os autores criaram um framework chamado COMPASS (COllective Multi-Prompt Adjustment guided by Scaling lawS - Ajuste de Múltiplos Prompts Coletivos guiado por Leis de Escala). Pense no COMPASS como um maestro superinteligente que não apenas ouve o coro; ele tem um mapa de como uma cidade real deveria soar.

Aqui está como funciona, passo a passo:

O Primeiro Rascunho: A IA gera uma multidão de pessoas digitais e seus movimentos.
O Teste de Realidade: O COMPASS observa toda a multidão e a mede contra as "leis de escala". Estas são as regras matemáticas do movimento real. Por exemplo, ele verifica: "As distâncias que as pessoas viajam parecem com a distribuição de uma cidade real?" ou "As pessoas visitam os mesmos lugares com a frequência necessária?".
O Diagnóstico: Se a simulação estiver errada, o COMPASS descobre o porquê. Talvez os "enfermeiros" estejam caminhando demais, ou os "estudantes" estejam explorando demais.
O Sussurro: Em vez de reescrever a música inteira, o COMPASS dá um sussurro pequeno e específico para a IA. Ele diz: "Ei, para este grupo de pessoas, diga a elas para ficarem mais perto de casa", ou "Diga a estas pessoas para visitarem a mesma academia todos os dias".
A Busca: O sistema usa um método de busca inteligente (chamado Monte Carlo Tree Search) para descobrir quais pessoas específicas precisam de qual sussurro. É como testar diferentes combinações de instruções para ver qual mistura faz o coro inteiro soar mais realista.

A Arma Secreta: Migalhas do Pote de Biscoitos

Uma das partes mais legais deste artigo é como ele lida com os dados. Normalmente, para obter essas leis de escala, você precisa de dados perfeitos e detalhados sobre o movimento de cada pessoa. Mas esses dados são frequentemente privados ou difíceis de obter.

Os pesquisadores descobriram algo incrível: Você não precisa de dados perfeitos. Você pode usar dados de "grão grosso" (coarse-grained). Imagine que você tem um biscoito. Você não precisa ver cada migalha para saber que é um biscoito de gotas de chocolate; você só precisa de algumas migalhas. O COMPASS pode usar resumos grosseiros de movimento (como "as pessoas viajam uma média de X milhas") ou até mesmo apenas as fórmulas matemáticas de movimento encontradas em estudos antigos para guiar a IA.

Eles testaram isso com três tipos de dados:

Detalhado, mas anônimo: Dados com IDs de usuários, mas localizações grosseiras.
Sem IDs: Apenas um monte de trajetórias de movimento sem saber a quem pertencem.
Apenas Estatísticas: Apenas os números e fórmulas, sem trajetórias de movimento reais.

Mesmo com apenas as estatísticas (as "migalhas"), o COMPASS foi capaz de guiar a IA para criar simulações muito mais realistas. Isso é enorme porque significa que podemos construir melhores modelos de cidades sem precisar invadir a privacidade de ninguém ou esperar por conjuntos de dados perfeitos.

Os Resultados: Uma Sinfonia de Realismo

A equipe testou o COMPASS com dados do mundo real de Pequim e da Cidade de Nova York. Eles compararam seu método com outros simuladores de IA de ponta.

Os resultados foram claros: o COMP

COMPASS venceu.

Em Pequim, ele melhorou o realismo das distâncias de viagem em até 74,79% em comparação com o melhor método anterior.
Também foi melhor em prever a frequência com que as pessoas retornam aos mesmos lugares (um comportamento chamado "retorno preferencial") e o quanto elas exploram novas áreas.
Mesmo usando os dados de "apenas estatísticas" (o terceiro tipo), ele ainda superou todos os outros métodos, provando que você não precisa de uma bola de cristal para ter uma boa imagem do futuro.

Os pesquisadores também descobriram que não precisavam ajustar cada pessoa na simulação. Ao ajustar apenas 15% das pessoas digitais e depois copiar essas mudanças para pessoas semelhantes, eles puderam corrigir a multidão inteira. Isso economiza uma quantidade massiva de poder computacional.

Por Que Isso Importa

Isso não é apenas sobre fazer um videogame melhor. Se pudermos simular como as pessoas se movem de forma realista, podemos:

Planejar cidades melhores: Projetar estradas e transporte público que realmente correspondam a como as pessoas viajam.
Prever a propagação de doenças: Entender como um vírus pode se mover através de uma multidão se soubermos os padrões reais de movimento.
Proteger a privacidade: Podemos estudar esses padrões sem precisar espiar os telefones das pessoas reais.

O artigo sugere que, ao ouvir a "música matemática" de como as multidões se movem, podemos ensinar a IA a agir como uma sociedade real, não apenas como uma coleção de indivíduos solitários. É um lembrete de que, às vezes, para entender o todo, você tem que ouvir as regras que governam o grupo, não apenas a voz do indivíduo.

Resumo Técnico: Unindo o Realismo Individual e Coletivo em Simulações de Mobilidade Humana Baseadas em LLM via Orientação por Leis de Escala de Mobilidade

Declaração do Problema

Dados de mobilidade humana são críticos para aplicações geoespaciais, como planejamento urbano, previsão de epidemias e modelagem de transporte. No entanto, a aquisição de dados do mundo real em escala é dificultada pelos altos custos de coleta, cobertura desigual e preocupações com a privacidade. Embora os Grandes Modelos de Linguagem (LLMs) ofereçam uma alternativa escalável ao simular agentes individuais com base em perfis de usuários, as abordagens atuais baseadas em LLM sofrem de um descompasso fundamental: elas modelam processos cognitivos individuais isoladamente, sem coordenação ao nível da população. Consequentemente, embora as trajetórias individuais possam parecer plausíveis, o resultado agregado falha em reproduzir as regularidades coletivas (leis de escala) observadas em dados do mundo real, tais como distribuições específicas de distâncias de viagem, frequências de visitação e alcances espaciais. Os métodos existentes carecem de um mecanismo para preencher a lacuna entre a geração ao nível individual e o realismo coletivo.

Metodologia: O Framework COMPASS

Os autores propõem o COMPASS (COllective Multi-Prompt Adjustment framework guided by Scaling lawS), um framework que utiliza leis de escala de mobilidade empíricas de dados compartilhados como sinais de feedback para guiar a construção de prompts. A inovação central é tratar o ajuste de prompts como um problema de otimização de múltiplos objetivos e múltiplos prompts, formulado como um Processo de Decisão de Markov (MDP) e resolvido via Busca em Árvore Monte Carlo (MCTS).

1. Formulação do Problema:
O objetivo é encontrar um conjunto ótimo de prompts personalizados $\mathcal{P} = \{p_1, \dots, p_n\}$ para uma população de $n$ indivíduos. Cada prompt é aumentado com descrições de persona e restrições comportamentais específicas para otimizar conjuntamente múltiplas métricas de lei de escala (ex: distância de viagem, raio de giração, frequência de visitação) derivadas de dados compartilhados.

2. Formulação do MDP:

Estado ( $S$ ): O conjunto atual de prompts atribuídos a todos os indivíduos.
Ação ( $A$ ): Estratégias de ajuste de grão grosso geradas por um LLM. Essas estratégias são derivadas comparando métricas de leis de escala simuladas com métricas alvo de dados compartilhados. O LLM particiona a população em grupos comportamentalmente coerentes e propõe estratégias personalizadas para cada um.
Transição ( $T$ ): Uma ação seleciona uma fração $\rho$ de usuários dentro de um grupo alvo. Um LLM de reescrita de prompts atualiza seus prompts com base na estratégia, enquanto outros permanecem inalterados.
Recompensa ( $r$ ): Uma função de recompensa de múltiplos objetivos que mede a melhoria nas métricas agregadas de leis de escala. Ela utiliza uma média geométrica de utilidades normalizadas através de diferentes métricas para garantir melhorias equilibradas sem degradar qualquer objetivo individual.

3. Otimização via MCTS de Dois Níveis:
Para navegar no complexo espaço de busca de forma eficiente, o COMPASS emprega um procedimento MCTS de dois níveis:

Seleção de Nível de Estratégia: Utiliza o Limite Superior de Confiança Atualizado (UCT) para selecionar estratégias de ajuste promissoras.
Seleção de Nível de Usuário: Utiliza um bandit de Limite Superior de Confiança (UCB) por usuário para identificar indivíduos específicos dentro de um grupo que são mais responsivos a uma determinada estratégia.
Filtragem de Candidatos: Para reduzir o custo computacional, um estimador de valor de ação global condicionado à contagem filtra o espaço de ações antes da regeneração de trajetória dispendiosa.
Generalização: O framework otimiza prompts em um pequeno subconjunto da população e generaliza os ajustes resultantes para a população total com base na similaridade de perfil, reduzindo significativamente o overhead de busca.

4. Orientação por Dados:
O COMPASS é projetado para operar com vários níveis de granularidade de dados, incluindo:

Trajetórias de grão grosso com IDs de usuário.
Trajetórias de grão grosso sem IDs de usuário.
Sumários estatísticos puros (ex: expoentes de lei de potência) sem dados de trajetória.

Principais Contribuições

Ponte Conceitual: O artigo introduz a ideia inovadora de usar leis de escala de mobilidade humana de dados compartilhados como um mecanismo de orientação para alinhar trajetórias geradas por LLM individual com padrões de população coletiva.
Framework COMPASS: Os autores projetam um framework de ajuste de múltiplos prompts que utiliza uma busca MCTS de dois níveis para determinar simultaneamente quais estratégias de ajuste aplicar e quais indivíduos devem recebê-las. Isso transforma estratégias de grupo grosseiras em adaptações de nível individual refinadas.
Validação Empírica: Experimentos extensos em dois conjuntos de dados públicos (Beijing e Nova York) demonstram que o COMPASS supera os simuladores baseados em LLM de última geração (incluindo CoPB, Urban-Mobility-LLM, LLMob e CitySim). As melhorias variam de 10,70% a 74,79% em múltiplas métricas (ex: distância de viagem, exploração, retorno preferencial).
Robustez à Escassez de Dados: O estudo mostra que mesmo sumários estatísticos sem informações de nível de trajetória podem guiar efetivamente as simulações, aumentando a aplicabilidade prática do framework.

Resultados

Desempenho: No conjunto de dados de Beijing, o COMPASS alcançou o melhor desempenho em todas as métricas, com reduções significativas na divergência de Jensen–Shannon (JSD) em comparação com os baselines. Por exemplo, ele melhorou a métrica de "Retorno" em 74,79% e a de "Exploração" em 41,17% sobre o melhor baseline.
Reprodução de Lei de Escala: A análise visual confirmou que o COMPASS corrigiu com sucesso a distribuição de distâncias de viagem e comportamentos de retorno preferencial, aproximando-os de leis de potência truncadas do mundo real e comportamentos de usuários heterogêneos.
Estudos de Ablação: Remover a seleção de bandit de usuário ou o UCB condicionado à contagem degradou significativamente o desempenho, validando a necessidade da busca de dois níveis. Da mesma forma, substituir o MCTS por busca aleatória levou a quedas substanciais de desempenho, destacando a importância do algoritmo de busca.
Generalização: Otimizar prompts em um subconjunto (30% dos usuários) e escalá-los para a população total rendeu desempenho comparável à otimização no conjunto de dados completo, confirmando a eficiência do método.
Agnosticismo de Modelo: O framework funcionou bem em diferentes backbones de LLM (GPT-5.2, GPT-4o-mini, LLaMA 3.3, Qwen 2.5), indicando que sua eficácia não depende de um modelo proprietário específico.

Significância e Alegações

O artigo afirma que o COMPASS aborda uma limitação crítica nas simulações de mobilidade baseadas em LLM atuais: a falha em reproduzir regularidades coletivas. Ao integrar leis de escala como um loop de feedback, o framework garante que agentes individuais, embora simulados isoladamente, gerem coletivamente fluxos de nível populacional realistas. Os autores enfatizam que esta abordagem é particularmente significativa porque:

Permite simulação de alta fidelidade sem exigir acesso a dados do mundo real sensíveis ao nível individual.
Opera efetivamente mesmo quando apenas dados de grão grosso ou estatísticos estão disponíveis para orientação.
Fornece uma solução escalável para tarefas downstream como modelagem epidêmica e planejamento urbano, onde fluxos agregados precisos são mais críticos do que a perfeição da trajetória individual.

O trabalho conclui que o aproveitamento de leis de escala é uma estratégia viável e eficaz para unir a lacuna entre o realismo individual e a coerência coletiva em simulações de IA generativa.