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

技术摘要：迈向基于 LLM 智能体的高效且有据可依的移动性预测

问题定义
个体层面的移动性预测对于城市模拟、交通规划和公共卫生分析至关重要。现有方法通常分为两种范式，两者均存在显著局限性：

1. 监督式序列模型： 如 RNN 和 Transformer 等方法通过学习大规模数据中的时空依赖关系来获得高精度。然而，它们是“黑盒”模型，决策层面的透明度有限，需要针对特定任务进行训练（这使得适配新城市或不同粒度变得成本高昂），并且在信号微弱时无法动态寻求额外信息。
2. 静态基于 LLM 的方法： 近期的研究方法将轨迹转化为文本并利用大语言模型（LLM）来实现可解释性。然而，这些方法大多依赖于静态提示词（Prompt）和单次推理。它们将所有可用证据压缩进一个固定的上下文，缺乏在移动性信号冲突或模糊时进行迭代检索、交叉验证或修正预测的能力。

核心挑战在于，移动性实例的难度各不相同。常规案例（例如用户在特定时间访问同一地点）可以通过历史规律轻松解决，而模糊案例则需要协调来自近期上下文、长期习惯、停留-移动倾向以及地理合理性的冲突信号。现有方法无法根据这些变化的难度来调整其推理投入。

方法论：AgentMob
作者提出了 AgentMob，这是一个无需训练、由 LLM 驱动的智能体框架，它将下一位置预测重新定义为一个自适应证据控制的决策过程。AgentMob 并非将 LLM 作为直接的预测器，而是将其作为控制器，动态决定针对特定实例需要多少证据。

该框架通过以下流水线运行：

1. 输入处理： 将原始 GPS 记录离散化为空间单元（行政多边形或网格单元），并配以城市功能（POI、区域描述）的文本描述。
2. 快速路径预测（Fast-Path Prediction）： 智能体首先执行轻量级的历史规律性检查。如果用户的历史记录显示在特定工作日和小时具有主导位置，智能体会立即返回该位置。这绕过了针对常规案例的高昂计算成本。
3. 自适应工具调用（针对模糊案例）： 当历史规律性不足以提供判断时，智能体进入一个迭代循环（上限为 10 次迭代）以收集证据。它会调用一个包含四个不同工具的移动性分析工具箱（Mobility Analysis Toolbox）：
   • 移动性上下文检索器： 总结近期轨迹序列和同时间访问统计数据，以区分即时连续性与长期模式。
   • 地理信息检索器： 提供候选位置的距离度量和文本描述，以验证地理合理性和语义一致性。
   • 停留-移动估计器： 根据当前停留时长与历史统计数据的对比，估计用户留在当前位置或移动的可能性。
   • 历史行为检索器： 从过去在类似时间背景下访问类似位置的行为模式中，检索停留时间、频繁下一目的地等信息。
4. 决策与审计： LLM 控制器综合来自这些工具的证据，解决冲突，并生成候选位置的排名列表。所有工具调用都受到目标时间戳之前可用数据的约束，以确保时间上的有效性。整个过程会生成推理步骤和工具输出的可审计追踪。

核心贡献

• 自适应证据控制公式化： 本文将移动性预测重新构建为一个实例级的决策过程，智能体可以在快速的历史规律路径与针对模糊案例的迭代证据收集之间进行选择。
• 无需训练的工具增强型智能体： AgentMob 是一个无需训练的框架，它选择性地调用移动性工具（行为、地理和统计工具）来产生可靠且可审计的预测，而无需对底层 LLM 进行微调。
• 强有力且具解释性的性能： 该框架证明了自适应证据收集能显著提高预测质量，尤其是在确定性的移动性统计数据不足或存在冲突的情况下。

实验结果
作者在三个具有不同空间粒度的数据集上评估了 AgentMob：BW（东京行政多边形）、YJMob100K（匿名 500m 网格）和 Shanghai ISP（移动网络日志）。他们将 AgentMob 与监督学习基线（DeepMove、Transformer）以及几种基于 LLM 的方法（AgentMove、LLM-Mob、TrajLLM、LLM Urban Residents，使用 GPT-5.4、GPT-4.1-mini 和 Qwen3-8B 作为骨干模型）进行了对比。

• 整体性能： AgentMob 在所有无需训练的基于 LLM 的方法中取得了最强的整体表现。使用 GPT-5.4 时，在 BW 数据集上达到了 71.42% Acc@1，在 YJMob100K 上达到 33.14%，在 Shanghai ISP 上达到 33.50%。
• 与监督模型的比较： 虽然监督模型（如 Transformer）在数据规律性丰富的 BW 数据集上仍然保持领先，但 AgentMob 在 YJMob100K 和 Shanghai ISP 上超越了监督基线，这表明当位置空间密集或历史记录稀疏时，基于证据的推理具有竞争力。
• LLM 控制器的作用： 一项消融实验显示，若将 LLM 控制器替换为确定性规则（AgentMob-Statistics），在模糊案例（非快速路径）中，LLM 控制器提供的增益最为显著。在 BW 非快速路径子集上，控制器将 Acc@1 从 30.65% 提升至 48.62%，证明了其在交叉核对冲突信号方面的价值。
• 效率： 由于采用了自适应策略，AgentMob 的效率极高。在 BW 数据集上，62.54% 的样本通过快速路径得到解决，因此与所有样本都经过固定重型推理过程的基线相比，其墙钟时间（wall-clock time）和 Token 使用量更低。

意义与主张
本文声称 AgentMob 代表了从静态、单次预测向自适应、有据可依且迭代推理的转变。其主要意义在于证明了：

1. 自适应推理至关重要： 根据预测难度（快速路径 vs. 深度推理）动态分配推理投入的能力，比强制所有样本通过统一且计算昂贵的程序更为有效。
2. 证据落地提升可靠性： 通过显式地检索并交叉验证多源证据（行为、地理和统计），系统可以解决静态提示词或纯统计模型无法解决的歧义问题。
3. 无需训练的可行性： 只要系统配备了结构化工具和自适应控制器，就可以在无需承担特定任务模型训练成本的情况下，实现高质量的移动性预测。

作者总结道，他们方法的主要优势不仅在于原始准确率，更在于能够在确定性统计数据失效的模糊场景中提供可靠的预测，同时通过针对常规案例的快速路径机制保持高效。