AgentMove：基于大型语言模型的智能体框架用于零样本下一位置预测

下一位置预测在 various 实际应用中发挥着关键作用。最近，由于现有深度学习方法的局限性，人们尝试将大型语言模型（LLM）应用于零样本下一位置预测任务。然而，这些方法直接生成最终输出，而未进行系统性设计，限制了LLM揭示复杂移动模式的潜力，并低估了其在全球地理空间知识方面的广泛储备。本文引入AgentMove，一个系统的智能体预测框架，以实现通用的下一位置预测。在AgentMove中，我们首先分解移动预测任务，并设计特定模块来完成它们，包括用于个人移动模式挖掘的时空记忆、用于建模城市结构影响的世界知识生成器以及用于捕捉人群共享模式的集体知识提取器。最后，我们组合三个模块的结果，并进行推理步骤以生成最终预测。大量实验利用来自两个不同来源的移动数据表明，AgentMove在8个指标中超过了领先的基线方法3.33%至8.57%，并且在 various LLM 作为底层模型的情况下显示出稳健的预测能力，并且在 various 城市之间显示出较少的地理偏见。我们的コード可通过 https://github.com/tsinghua-fib-lab/AgentMove 获取。