全局检索与知识浏览

基于大语言模型（LLM）的路径规划智能体作为一种新兴范式，正通过自然语言交互与工具辅助决策支持日常人类出行。然而，真实世界出行场景下的系统性评测仍受限于多样化的路径规划需求、非确定性的地图服务接口以及可复现性不足等问题。本研究提出 MobilityBench——一个面向真实世界出行场景、可扩展的 LLM 路径规划智能体评测基准。MobilityBench 数据源自高德地图（Amap）采集的大规模匿名真实用户查询，覆盖全球多个城市的广泛路径规划意图。为实现可复现的端到端评测，我们设计了一种确定性的 API 回放沙箱环境，消除了实时服务引入的环境不确定性。此外，我们提出一种以结果有效性为核心、辅以指令理解、规划能力、工具调用与执行效率等多维度的综合评测协议。借助 MobilityBench，我们在多种真实世界出行场景下评测了多个基于 LLM 的路径规划智能体，并对其行为与性能进行了深入分析。结果表明，当前模型在基础信息检索与常规路径规划任务上表现良好，但在偏好约束型路径规划任务中显著受限，凸显个性化出行应用仍有较大提升空间。我们已将该基准数据集、评测工具包及完整文档公开发布于 https://github.com/AMAP-ML/MobilityBench。

GeoIndustry’24，2024年10月29日至11月1日，美国佐治亚州亚特兰大——例如城市规划与设计。一个相关但独立的时间要素是社会经济周期性：活动模式受一天中的时段、一周中的星期几以及一年中的月份影响。识别并建模此类变化，对理解高峰时段交通、购物趋势及旅游旺季等行为至关重要。

出版日期：2026年7月；来源：《Transport Policy》，第182卷；作者：Lea Heide Schwehn、Tobias Heußler、Christof Backhaus

开发自主非公路机动能力通常需要大量特定平台的数据采集，或依赖于简化抽象模型（如单轮或自行车模型），这些模型无法捕捉从轮式到履带式等多种平台的复杂运动学动力学特性。这一局限性阻碍了在不断演化的异构自主机器人机群中实现可扩展性。为解决该挑战，我们提出了一种名为基于移动性表征的跨车辆运动学动力学自适应（CAR）的新框架，实现了向新车辆的快速机动能力迁移。CAR采用带有自适应层归一化的Transformer编码器，将车辆轨迹变化与物理配置嵌入共享的移动性潜在空间。通过识别并提取该潜在空间内最近邻之间的共性，本方法能够在极少数据采集和计算开销的前提下，实现对新型平台的快速运动学动力学自适应。我们在基于Chrono多物理引擎构建的Verti-Bench模拟器上评估了CAR，并在Verti-4-Wheeler平台的四种不同物理配置上验证其性能。仅需一分钟的新轨迹数据，CAR相较于直接邻居迁移，在多种未见过的车辆配置下预测误差降低高达67.2%，证明了跨车辆移动性知识迁移在仿真与真实环境中的有效性。

人类移动生成旨在合成合理的轨迹数据，广泛应用于城市系统研究。尽管基于大语言模型的方法在生成日常轨迹方面表现优异，但在大规模社会事件期间的偏离性移动捕捉方面仍存在困难。这一局限源于两个关键缺口：（1）缺乏用于设计与评估的事件标注移动数据集；（2）现有框架在生成轨迹决策时，无法协调用户习惯模式与事件强制约束之间的冲突。本文通过双重贡献解决上述问题。首先，我们构建了首个涵盖三大事件（台风海贝思、新冠疫情、2021年东京奥运会）的事件标注移动数据集。其次，我们提出ELLMob，一种基于模糊表征理论的自对齐大语言模型框架，能够首先提取习惯模式与事件约束之间的竞争性理由，并通过迭代对齐生成既符合习惯又响应事件的轨迹。大量实验表明，ELLMob在所有事件中均优于现有最先进基线方法，验证了其有效性。代码与数据集已公开于 https://github.com/deepkashiwa20/ELLMob。

移动性基础模型（MFMs）已推动人类移动模式建模的发展，但受限于数据规模与语义理解能力，其性能面临瓶颈。大型语言模型（LLMs）虽具备强大的语义推理能力，却缺乏对时空统计规律的固有理解，难以生成物理上合理的移动轨迹。为弥补上述不足，我们提出MoveFM-R——一种新颖框架，通过引入语言驱动的语义推理能力，充分释放移动性基础模型的潜力。该框架着力解决两大关键挑战：连续地理坐标与离散语言词元之间的词汇不匹配问题，以及MFMs隐空间向量与LLMs语义世界之间的表征鸿沟。MoveFM-R基于三项核心创新：语义增强的位置编码以弥合地理与语言之间的差距；渐进式课程学习机制以对齐LLM推理与移动模式；以及支持条件轨迹生成的交互式自反思机制。大量实验表明，MoveFM-R显著优于现有基于MFMs和LLMs的基线方法；在零样本设定下展现出强泛化能力，并能依据自然语言指令高效生成逼真轨迹。通过融合MFMs的统计建模能力与LLMs的深层语义理解，MoveFM-R开创了一种新范式，实现对人类移动更全面、可解释且更强大的建模。MoveFM-R的实现代码已公开于https://anonymous.4open.science/r/MoveFM-R-CDE7/。

个体层面的移动性预测是城市仿真、交通规划与政策分析的核心任务。监督式序列模型虽具备较高预测精度，但需针对特定任务进行训练，且在决策层面缺乏可解释性。近期基于大语言模型（LLM）的方法提升了可解释性，但大多依赖静态提示词与单次推理，难以在移动信号微弱或相互冲突时主动寻求额外证据。我们提出 \method{}——一种无需训练的、由大语言模型驱动的智能体框架，将下一位置预测建模为自适应证据调控的决策过程。\method{} 对常规情形通过基于历史规律的快速路径完成预测；对模糊情形则触发迭代式工具调用，整合近期轨迹、历史行为、驻留-移动概率及地理信息等多源证据。在三个移动性数据集上的实验表明，AgentMob 在所有无需训练的 LLM 方法中整体性能最优：GPT-5.4 在 BW 数据集上 Acc@1 达 71.42%，在 YJMob100K 上为 33.14%，在上海 ISP 数据集上为 33.50%。在 BW 数据集中非快速路径样本上，LLM 控制器将 Acc@1 从同工具统计基线的 30.65% 提升至 48.62%，验证了其核心优势在于通过自适应证据收集解决模糊预测问题。代码开源地址：https://github.com/Unknown-zoo/AgentMob。

人类移动建模对多种城市应用至关重要。然而，现有数据驱动方法常受限于数据稀缺问题，难以在缺乏或无法获取历史轨迹数据的地区部署。为弥补这一空白，我们提出\textbf{ActivityEditor}——一种面向零样本跨区域轨迹生成的新型双大语言模型（LLM）代理框架。该框架将复杂的轨迹合成任务分解为两个协同阶段：首先，一个基于意图的代理利用人口统计学驱动的先验知识，生成结构化的人类意图与粗粒度活动链，以保障高层级的社会语义一致性；随后，一个编辑代理通过迭代修订，将上述输出精炼为符合人类移动规律的轨迹。该能力通过多奖励强化学习获得，各奖励均基于真实世界中的物理约束，使代理能够内化移动规律，确保生成轨迹的高度保真性。大量实验表明，\textbf{ActivityEditor}在跨多样化城市场景迁移时展现出卓越的零样本性能，同时保持高统计保真度与物理有效性，为数据稀缺场景下的移动模拟提供了鲁棒且高度可泛化的解决方案。代码地址：https://anonymous.4open.science/r/ActivityEditor-066B。

人类移动建模对多种城市应用至关重要。然而，现有数据驱动方法常受限于数据稀缺问题，难以在缺乏或无法获取历史轨迹数据的区域中应用。为弥补这一空白，我们提出\textbf{ActivityEditor}——一种面向零样本跨区域轨迹生成的新型双大语言模型（LLM）代理框架。该框架将复杂的轨迹合成任务分解为两个协同阶段：首先，一个基于意图的代理利用人口统计学驱动的先验知识，生成结构化的人类意图与粗粒度活动链，以保障高层级的社会语义一致性；随后，编辑代理通过迭代修订，将上述输出精炼为符合人类移动规律的轨迹。该能力通过强化学习获得，其奖励函数综合了多个基于真实世界物理约束的指标，使代理能够内化移动规律并确保高保真度的轨迹生成。大量实验表明，\textbf{ActivityEditor}在跨不同城市场景迁移时展现出卓越的零样本性能，同时保持高度的统计保真性与物理有效性，为数据稀缺场景下的移动仿真提供了鲁棒且高度可泛化的解决方案。代码地址：https://anonymous.4open.science/r/ActivityEditor-066B。

发表日期：2026年5月 来源：《交通研究 Part D：交通与环境》，第154卷 作者：Nicole S. Ngo，Chandra Kiran B. Krishnamurthy

在非洲城市非正式聚居区的狭窄巷道中，自主移动出行的发展可能与世界其他地区预期的不同。伊布拉欣·穆比鲁通过反思坎帕拉和内罗毕新兴的出行服务，提出以人为本的设计如何帮助非正式聚居区为自动驾驶交通工具的到来做好准备。

对微型移动车辆（MMV）动力学进行建模在训练自动驾驶系统和构建城市交通仿真中变得日益重要。然而，主流工具依赖于运动学自行车模型（KBM）的变体或特定模式的物理模型，这些方法忽略了轮胎滑移、载荷转移以及骑行者/车辆倾斜等关键动态特性。据我们所知，目前尚无统一的基于物理的模型能够覆盖常见微型移动车辆及其轮式布局的全范围动态行为。本文提出“通用微型移动模型”（GM3），该模型基于轮胎刷子表示法，在轮胎层面进行建模，支持任意轮式配置，包括单轨/双轨及多轮平台。我们设计了一个交互式的、与模型无关的仿真框架，将车辆/布局定义与动力学解耦，以便将GM3与KBM及其他模型进行对比；该框架包含固定步长的RK4积分器、人机协同与脚本控制、实时轨迹追踪及日志记录功能，便于分析。此外，我们在斯坦福无人机数据集的deathCircle（环形交叉口）场景中，针对骑行者、滑手和手推车三类对象对GM3进行了实证验证。

出版日期：2026年7月；来源：《Transport Policy》，第182卷；作者：Ala Kordrostami、Javad Esmailpour、Kayvan Aghabayk、Nirajan Shiwakoti

近期，基础模型已被应用于城市社会经济预测任务，所用数据包括兴趣点（POI）文本、卫星影像和地理空间描述。然而，这些模型主要依赖于单个地点的静态属性，而忽略了揭示地点间功能关联性的移动模式。为弥补这一空白，我们探索了移动网络是否可通过显式编码城市实体间的连通性，从而激发基础模型的地理空间能力。为此，我们提出 \textit{MobFusion}——一种模块化的、以移动性增强的基础模型融合范式，并通过三种互补设计予以实例化：（i）将移动网络作为零样本大语言模型（LLM）提示的上下文；（ii）将移动网络作为图连接器，融合地理空间视觉嵌入与文本嵌入；（iii）将移动网络作为结构化标记，支持多模态大语言模型推理。基于来自美国三个大都市区的匿名大规模移动数据集，我们在三项实例化方案中均观察到 \textit{MobFusion} 在多项城市预测任务（如家庭中位收入、人口密度及犯罪率预测）上的性能提升，表明融入人类移动性可有效增强基础模型对社会经济现象的理解能力。

保险正成为制约微型出行（micromobility）发展的关键因素，保费持续上涨……本文首发于《Cities Today》。

理解极端降雨事件中人类移动的韧性对于提升灾害应对能力与城市韧性至关重要。然而，现有研究大多忽视了韧性模式在不同尺度上的复杂性，未能揭示空间异常现象及其潜在成因。为弥补这一空白，本文提出一种基于大规模个体轨迹数据的框架，以解析多尺度下人类移动的韧性模式。通过动态网络模型量化人类移动流量，并利用韧性曲线分析都市圈与区域尺度下的韧性特征。本研究聚焦于台风玛娃引发的极端降雨事件，覆盖日本的大阪与名古屋地区。研究发现，尽管人类活动显著减少，但移动网络结构保持相对稳定。基于流入与流出量的象限分布分析，人类移动中异常与正常韧性模式的比例约为3:2，且该比例在两个尺度上均保持一致。有趣的是，异常韧性模式与建成环境的局部地理特征密切相关，呈现出收入、性别与年龄层面的差异。这些发现对政策制定者优化灾后恢复策略及指导未来城市基础设施建设以增强韧性具有重要价值。

共享微型交通正稳步融入城市交通主流，新……本文首发于《Cities Today》。

出版日期：2026年6月；来源：《交通运输研究D辑：交通运输与环境》，第155卷；作者：何泽宇、胡宇杰

准确建模人类移动性对解决城市规划与公共卫生挑战至关重要。在欠发达地区，由于缺乏全面的出行调查，亟需利用公开数据重建移动网络。本文提出 neuroGravity——一种融合物理规律的深度学习模型，能够基于有限观测数据可靠地重建移动流，并迁移至未观测城市。

地理空间基础模型的近期进展凸显了为现实世界地点（尤其是人类活动密集的兴趣点，POI）学习通用表征的重要性。然而，现有方法主要依赖静态文本元数据推断地点身份，或学习与轨迹上下文绑定的表征——这类表征反映的是移动规律，而非地点的实际用途（即POI的功能）。我们认为，POI功能是当前通用POI表征中缺失但至关重要的信号。为此，我们提出“嵌入移动性的兴趣点”（Mobility-Embedded POIs, ME-POIs）框架：该框架将语言模型生成的POI嵌入与大规模人类移动数据相结合，学习以POI为中心、上下文无关、且扎根于真实使用场景的表征。ME-POIs将单次访问编码为具有时间上下文的嵌入，并通过对比学习将其对齐至可学习的POI表征，从而捕捉跨用户与跨时间的使用模式。为缓解长尾稀疏性问题，我们设计了一种新机制，可在多个空间尺度上，将邻近高频访问POI的时间访问模式传播至目标POI。我们在五个新提出的地图增强任务上评估ME-POIs，检验其同时刻画POI身份与功能的能力。在所有任务中，将文本嵌入与ME-POIs融合均持续优于纯文本基线与纯移动性基线。值得注意的是，仅基于移动性数据训练的ME-POIs在部分任务上即可超越纯文本模型，表明POI功能是构建准确且泛化能力强的POI表征的关键组成部分。

包含高级消息概念开发（AMCD）实地测试计划期间收集的所有基础移动性消息（BMM）。目前尚无专门针对BMM内容的具体标准；其中各变量的描述性定义在适用情况下源自J2735标准。所有BMM均由车载单元（OBU）生成，并最终由车辆通信中心（VCC）云服务器接收。

地理空间基础模型的最新进展突显了为现实世界位置（尤其是人类活动集中区域——兴趣点，POI）学习通用表征的重要性。然而，现有方法主要依赖静态文本元数据推导场所身份，或学习与轨迹上下文相关的表征，这些表征捕捉的是移动规律而非场所的实际使用方式（即POI的功能）。我们认为，POI功能是构建通用POI表征所缺失但至关重要的信号。本文提出一种名为嵌入移动性的兴趣点（ME-POIs）的框架，通过将大规模人类移动数据与基于语言模型生成的POI嵌入相结合，学习以场所为中心、与上下文无关且基于真实使用场景的表征。ME-POIs将个体访问行为编码为具有时间上下文的嵌入，并通过对比学习将其与可学习的POI表征对齐，以捕捉跨用户和时间的使用模式。为应对长尾稀疏问题，我们提出一种新颖机制，能够在多个空间尺度上将邻近高频访问POI的时间访问模式进行传播。我们在五个新提出的地图增强任务上评估了ME-POIs，测试其捕捉POI身份与功能的能力。在所有任务中，将文本嵌入与ME-POIs结合均显著优于仅使用文本或仅使用移动数据的基线模型。值得注意的是，仅基于移动数据训练的ME-POIs在某些任务上甚至超越了纯文本模型，凸显了POI功能在构建准确且可泛化的POI表征中的关键作用。

出版日期：2026年4月19日在线发布；来源：《交通研究D辑：交通与环境》；作者：Eun Jin Shin、Jinhyun Hong、Lindsay M. Braun、Jueyu (Olivia) Wang