ELLMob：基于自对齐LLM框架的事件驱动人类移动生成
机器学习
2026-03-10 v1 人工智能
摘要
人类移动生成旨在合成合情合理的轨迹数据，广泛应用于城市系统研究。虽然基于大语言模型(LLM)的方法在生成常规轨迹方面表现突出，但在捕捉大规模社会事件期间的偏差移动方面仍面临挑战。这一局限性源于两个关键缺口：(1)缺乏覆盖事件标注的移动数据集用于设计和评估；(2)当前框架无法在轨迹决策时调和用户习惯模式与事件约束之间的竞争。为此, 本文作出两项贡献：首先, 构建了覆盖台风哈希比斯、COVID-19 和东京2021奥运会三大事件的首个事件标注移动数据集；其次, 提出ELLMob, 一个基于模糊记忆理论(Fuzzy-Trace Theory)的自对齐LLM框架, 其首先提取习惯模式与事件约束之间的竞争性理由, 然后迭代对齐, 以生成既具习惯性又具事件响应性的轨迹。大量实验表明, ELLMob 在所有事件场景下均优于最新基线方法, 证明了其有效性。我们的代码和数据集已发布于 https://github.com/deepkashiwa20/ELLMob。
引用
@article{arxiv.2603.07946,
title = {ELLMob: Event-Driven Human Mobility Generation with Self-Aligned LLM Framework},
author = {Yusong Wang and Chuang Yang and Jiawei Wang and Xiaohang Xu and Jiayi Xu and Dongyuan Li and Chuan Xiao and Renhe Jiang},
journal= {arXiv preprint arXiv:2603.07946},
year = {2026}
}
备注
Accepted by ICLR 2026