arXiv cs.AI· Bo Liu, Tong Li, Jiapeng Zhang, Zhu Xiao, Zhuo Tang, Kenli Li·· 11 小时前AI 评分22
MOTION：基于演化用户-位置图实现社区一致的人类移动生成
Beyond Trajectory Statistics: Community-Consistent Human Mobility Generation via Evolving User-Location Graphs
AI 导读
MOTION 是一个多智能体框架，将人类移动生成建模为动态用户-位置图的生成，以刻画用户-位置交互形成的演化社区结构。它用 Leiden 算法从历史移动数据中检测社区并提取社区条件交互先验，由用户智能体、位置智能体和全局管理智能体协同生成轨迹。在两个真实数据集上，MOTION 在个体轨迹、人群与流量分布、社区与图结构等指标上至少优于基线 4.05%，代码已开源。
正文 · AI 翻译
摘要：人类移动数据是 Web 位置服务和更广泛城市应用的基础，而移动生成可在真实数据成本高昂或难以获取时提供合成轨迹。尽管近期的移动生成器已纳入集体移动模式，但它们主要关注个体轨迹和总体人口动态，对由用户-位置交互形成的演化社区结构建模不足。本文研究社区一致的人类移动生成。为此，我们将移动生成表述为动态用户-位置图的生成，以建模社区结构，并提出 MOTION，一个用于社区一致人类移动生成的多智能体框架。MOTION 由用户智能体、位置智能体和全局管理器智能体组成。MOTION 首先使用 Leiden 算法从历史移动中检测连贯社区，并提取以社区为条件的交互先验来指导生成过程。在这些先验的引导下，用户智能体从个体视角规划移动、搜索目的地候选并推断用户移动。同时，选择性激活的位置智能体从社区视角推断可能的用户到达。管理器协调两种视角，诊断导致偏差的交互，并将有针对性的反思信号归因于修正用户决策、位置吸引力和源用户选择。在两个真实世界数据集上的实验表明，MOTION 在个体轨迹、人口与流量分布以及社区与图结构的各项报告指标上至少优于基线 4.05%。进一步分析证实了其鲁棒性、隐私保护性和下游效用。代码可在 此 https URL 获取。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.28467 [cs.AI] |
| （或 arXiv:2610.28467v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28467 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Bo Liu [查看电子邮件]
[v1]
2026年10月20日星期二 16:21:17 UTC（5,143 KB）
来源：arXiv cs.AI · arxiv.org