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。

人类移动性数据对交通优化、城市规划和资源分配至关重要，但真实世界中的移动性数据因隐私问题而采集成本高昂且难以共享。近期基于扩散的方法在合成逼真移动模式方面展现出潜力，但通常依赖连续或潜在的时空轨迹，限制了其对具有显式区域、活动、时间和时间间隔结构的离散语义事件的原生建模能力。为解决此问题，我们提出 MobiDiff——一种端到端离散扩散框架，通过直接去噪多通道语义骨架高效生成移动性数据，避免了现有基于扩散方法中广泛采用的昂贵插值、潜在轨迹构建及由粗到细的实现流程。具体而言，MobiDiff 将每个人的签到事件分解为空间、活动和时间三个通道，并采用结构化的事件级、组级和通道级掩码策略，联合捕获轨迹级移动模式及事件内部依赖关系。我们在来自亚特兰大、波士顿和西雅图的三个大规模真实数据集上评估了生成保真度、隐私保护性与效率。结果表明，MobiDiff 有效保持了轨迹长度与时间间隔分布，同时在更广泛的移动性统计指标上保持竞争力；其推理速度亦显著优于当前最优方法，例如平均比 GeoGen 快 5.3 倍。这些发现表明，离散扩散为合成移动性数据提供了一种可解释且高效的框架。

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

人类出行行为塑造了人们对资源、机会与服务的可及性，因此出行数据成为研究空间与社会不平等的重要视角。尽管官方开放出行数据集日益丰富，其研究潜力却常因数据获取、标准化与处理所需的技术门槛过高而难以实现，进而挤占实质性分析的时间与精力。为此，我们推出 pySpainMobility——一个 Python 软件包，可自动获取并标准化西班牙多空间分辨率、多人口统计分层的开放出行数据，从而简化全国尺度、可复现的分析流程。利用该工具包，我们基于2023年四季中四个代表性周的街区级起源-目的地（origin-destination）流量数据，研究西班牙省际网络中按收入分层的出行不平等现象。我们构建了收入特异性的出行图层，并发现社会经济分层深度嵌入国家出行系统结构之中：低收入群体的出行高度集中于少数目的地，且空间可达范围较短；而高收入群体则能通达更广、更远的目的地层级。低收入与高收入出行图层在各季节均呈现弱对齐的目的地层级结构，表明不同收入群体并非在共享同一出行地理空间而仅在出行量上存在差异，而是实际遵循各自独立的出行地理格局。进一步分析显示，各目的地省份所接收旅客的收入构成存在系统性差异：若干省份所吸引的旅客收入分布显著偏离全国季节性基线，偏向某一收入群体。这些结果表明，官方开放出行数据结合易用工具，可有效支撑空间不平等研究。

人员与货物的移动系统本质上具有多尺度特征，涵盖从单个城市到区域乃至国家的不同组织层级。理解移动网络是否在这些尺度上呈现相似模式至关重要：若存在此类相似性，则表明其背后存在共通的组织原理，从而使某一尺度上获得的认知可用于指导其他尺度上的规划与管理。尽管针对多尺度移动性的分析日益增多，跨尺度相似性仍缺乏深入理解，而重正化（renormalization）为此问题提供了天然的分析框架。本文提出一种邻域受限的盒覆盖（Neighbor-Limited Box Covering）方法，用于对无向加权移动网络进行重正化。该方法按节点强度降序迭代选取盒中心，将每个中心与其权重最高的固定数量邻节点合并为一个重正化节点，并聚合重正化节点之间的边权重以生成下一尺度的网络。我们将该方法应用于中国真实世界的城市间人类移动网络与货运出行网络，发现其拓扑结构、加权结构特征及动态过程均在多尺度移动网络中表现出自相似性。此外，我们发现绝大多数重正化节点所包含的原始节点展现出强烈的空间凝聚性，且其边界与既有的行政及社会经济边界高度吻合，尽管该方法并未显式引入任何空间信息。本研究不仅揭示了城市间多尺度移动模式的一致性，也为理解其空间组织提供了重要洞见。此外，本方法适用于不同规模的移动网络，并具备潜在应用价值。

开发自主移动机器人系统通常需依赖大量平台专属数据采集，或采用简化抽象模型（如单轮车模型或自行车模型），而此类模型无法准确刻画从轮式到履带式等多样化平台的复杂运动学与动力学特性。这一局限制约了自主机器人异构车队在演进过程中的可扩展性。为应对该挑战，我们提出“基于运动表征的跨车辆运动学动力学自适应方法”（Cross-vehicle kinodynamics Adaptation via mobility Representation, CAR），一种支持新车辆快速迁移运动能力的新型框架。CAR采用带自适应层归一化（Adaptive Layer Normalization）的Transformer编码器，将车辆轨迹转移与物理构型嵌入至共享的运动潜在空间。通过在此潜在空间中识别并提取最近邻样本的共性，本方法仅需极少的数据采集与计算开销，即可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多物理场引擎构建的Verti-Bench仿真器上评估CAR，并在Verti-4-Wheeler平台四种不同物理构型上验证其性能。仅需一分钟的新轨迹数据，CAR在多种未见车辆构型上的预测误差相较直接邻域迁移方法最多降低67.2%，证明了跨车辆运动知识迁移在仿真与真实环境中的有效性。

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。

源自移动应用的实时位置数据是应对多种城市挑战的有力工具，涵盖旅游规划、停车管理、公交线路优化及资源分配等领域；同时，该数据亦为基于位置的服务、市场份额分析和用户行为画像等商业战略决策提供宝贵洞见。本研究旨在通过系统考察智能手机用户在城市环境（特别是旅游、交通与零售领域）中的行为与模式，全面应对上述挑战。我们的方法涵盖从零构建并落地实施一个复杂的数据平台，包括用例定义、架构设计及模块实现。我们采用前沿技术与工具，包括数据匿名化、ETL流水线，并利用 Google BigQuery 与 Vertex AI 进行数据处理与机器学习模型开发。平台采用基于可复用分析构件的模块化架构，以生成支持多方利益相关者驱动型用例的数据产品。此外，我们借助 Power BI 实施交互式数据可视化，助力利益相关者高效解读分析结果。所构建模型覆盖广泛的出行分析任务，包括出行行为画像、高频轨迹挖掘、影响区域分析、交通异常检测以及起讫地（OD）模式分析。实验结果表明，该框架能够以精细的空间与时间分辨率刻画用户出行动态，为城市规划与商业战略决策提供可操作的洞察。

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

出版日期：2026年12月；来源：《Cities》，第179卷；作者：Chiara Garau、Mana Dastoum、Nicoletta Rassu、Reza Askarizad

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》。

智慧城市快速发展日益依赖于轨迹数据挖掘，但公共出行数据集中往往缺乏对弱势人口群体（尤其是老年人）的充分表征。这种表征不足可能在出行建模及下游城市规划中引入系统性偏差。本研究利用2016–2020年纽约市Citi Bike系统数据中的泽西城子集，以合成轨迹生成为案例，定量考察弱势亚群体出行特征缺失对出行建模的影响。分析表明，老年骑行者展现出结构上显著不同的出行特征：活动空间更局域化（958米 vs. 年轻骑行者的1189米）、出行熵更低（1.82 vs. 4.15）、非高峰时段的时间分布呈不对称性。为验证仅依赖多数群体主导的训练数据会导致合成结果产生偏差，我们进一步在三种人口统计学训练设定下——全量人群、仅年轻骑行者、仅老年骑行者——分别评估了一阶马尔可夫链模型与经QLoRA微调的Qwen3-4B大语言模型。结果表明，基于多数群体主导数据训练的模型系统性地误表征老年群体的出行行为，尤其在空间出行指标上偏差显著：全量人群训练的马尔可夫模型对老年骑行者步长和停留时长的估计分别高估4.5%和8.9%，而仅使用老年骑行者数据训练的模型在多数指标上误差显著降低。马尔可夫模型与大语言模型框架的对比还显示，在人口统计数据有限的情况下，更高能力的模型未必能提升亚群体层面的表征保真度。上述发现凸显了人口统计学代表性对出行建模及其下游应用的重要性。

访视熵（visitation entropy）即个体在不同地点间访问分布的香农熵（Shannon entropy），是人类移动性研究中广泛使用的度量指标。然而，其广泛应用依赖于若干鲜少被明示的假设：熵需定义在一组固定的状态集上，且其实证估计要求大量、充分采样的观测数据。当熵在此设定之外被使用时所引发的局限性，已在统计物理、生态学和密码学等领域被记录并深入探讨；但其对移动性研究的影响尚不明确。本文利用合成轨迹与实证轨迹，系统考察访视熵在刻画人类移动性方面的优势与缺陷。我们发现，对于个体访问的一系列地点序列，访视熵主要反映所访问的独特地点数量与序列长度，二者共同解释了实证数据中访视熵方差的90.7%。我们还发现，较短的序列会系统性地低估熵值，表明有限样本偏差（finite-sample bias）是一项关键局限。因此，基于访视熵对不同群体的比较应持审慎态度。我们发现，在控制序列长度与独特地点数量后，性别之间、通勤者与非通勤者之间、城市居民与农村居民之间的表观熵差异显著缩小，甚至发生逆转。最后，我们指出，可通过控制序列长度与独特地点数量，并辅以结构化网络度量（structural network measures）来缓解上述问题；后者能提供比单纯熵更细致的洞察，揭示移动性组织方式中熵本身无法捕捉的方面。