基于MCP增强的思维链大语言模型的个体时空活动生成方法研究
人工智能
2025-06-13 v1 计算机与社会
摘要
人类时空行为模拟对城市规划研究至关重要,然而传统的基于规则和统计的方法存在计算成本高、泛化能力有限和可扩展性差的问题。虽然大语言模型(LLM)作为"世界模拟器"显示出潜力,但它们在时空推理方面面临挑战,包括空间认知有限、缺乏物理约束理解以及群体同质化倾向。本文介绍了一个将思维链(CoT)推理与模型上下文协议(MCP)相结合的框架,以增强LLM模拟与验证数据模式相符的时空行为的能力。该方法通过五阶段认知框架实现类人的渐进式推理,并通过六类专门的MCP工具类别进行全面的数据处理:时间管理、空间导航、环境感知、个人记忆、社会协作和经验评估。在上海陆家嘴地区的实验验证了该框架在1000个生成样本上的有效性。结果表明,与真实手机信令数据具有高度相似性,在不同基础模型上的生成质量得分在7.86到8.36之间。并行处理实验显示了效率提升,当进程数从2扩展到12时,每个样本的生成时间从1.30分钟减少到0.17分钟。这项工作为城市行为建模中CoT推理与MCP的集成做出了贡献,推进了LLM在城市计算中的应用,并为合成移动数据生成提供了一种实用方法。该框架为智慧城市规划、交通预测和参与式城市设计应用奠定了基础。
引用
@article{arxiv.2506.10853,
title = {A Study on Individual Spatiotemporal Activity Generation Method Using MCP-Enhanced Chain-of-Thought Large Language Models},
author = {Yu Zhang and Yang Hu and De Wang},
journal= {arXiv preprint arXiv:2506.10853},
year = {2025}
}