概念和研究背景
相关研究梳理
根据研究的方法与目标的不同，当前研究中LLM在出行模拟中的应用大致可分为三类方向：
1. 出行行为精准生成：让模型“预测你去哪”
该方向主要聚焦于提升模型对出行行为的预测准确性，旨在基于历史数据挖掘用户的出行模式，从而实现对下一位置、轨迹或出行时间的高精度预测。这类任务通常具有明确的Ground Truth，便于采用量化指标进行评估。方法上，多采用深度学习与LLM的结合（如DL进行特征提取，LLM生成预测结果），或直接基于LLM对轨迹序列进行建模与预测。
2. 更加类人化的出行模拟：让模型“像人一样出行”
该方向关注出行行为的合理性与人性化，强调模拟人类在日常生活中真实的决策逻辑与行为动机。其任务通常缺乏固定的Ground Truth，更重视模拟行为的现实性与一致性。方法上常引入行为心理学或社会学理论（如需求层次理论、计划行为理论），并结合LLM Agent的记忆、反思、规划等认知能力构建Agent Workflow（智能体工作流），以生成贴近人类生活规律的活动轨迹。
3.个性化出行代理：定制化的出行计划
此类研究致力于构建能够与用户进行个性化交互的智能出行代理，具备理解用户偏好与出行需求的能力。
出行行为精准生成
LLM-Mob[3] 是一个基于LLM的人类出行预测框架，通过整合历史停留和上下文信息，捕捉长期和短期的出行依赖，提供时间感知的精准预测。该框架采用上下文提示，增强LLM的推理能力，使得预测结果更加准确。
Mobility-LLM[4] 通过结合LLM更好地理解用户出行行为。该方法通过引入“访问意图记忆网络”（VIMN）和“人类旅行偏好提示池”（HTPP），帮助模型理解用户的出行意图和偏好。具体来说，VIMN捕捉每个签到记录的访问意图，而HTPP池则根据不同领域（如职业、活动类型等）引导LLM更好地理解用户的旅行偏好。通过DL与LLM方法的结合，Mobility-LLM展示了更强的语义理解能力，并在少量训练数据下表现出色，具有较强的跨领域适应性。
图1.Mobility-LLM整体框架[4]
LLM-MDC[5] 主要研究next location prediction (下一位置预测) 的任务，其通过多轮连续对话机制和候选集增强技术，创新性地提升了位置预测的准确性。方法首先将多维旅行数据转化为移动性提示，通过多轮对话逐步推理，预测活动和位置。第一轮对话利用活动预测辅助缩小候选位置范围；第二轮则根据活动预测结果进行位置预测；第三轮通过深度学习模型的预测结果修正LLM的预测，确保高准确度。此外，候选集增强方法基于访问频率、近期效应和旅行子网络，优化候选集排名，从而提升了预测准确性和模型的可解释性。
图2. LLM-MDC整体框架[5]
[3] Wang, Xinglei, et al. "Where would i go next? large language models as human mobility predictors." arXiv 2023.
[4] Gong, Letian, et al. "Mobility-LLM: Learning Visiting Intentions and Travel Preference from Human Mobility Data with Large Language Models." NeurIPS 2024.
[5]Chen, Yong, et al. "Toward Interactive Next Location Prediction Driven by Large Language Models." IEEE Transactions on CSS, 2025.
更加类人化的出行模拟
Chain-of-Planned-Behaviour (CoPB)[6] 结合了计划行为理论（TPB），创新性地提升了LLM在出行行为生成中的应用。其通过动态生成行为意图序列，并依次考虑态度、主观规范和感知行为控制等因素，进行逐步推理。每个生成步骤都会基于先前的意图调整当前的感知行为控制，从而确保生成的行为更加合理和符合人类逻辑。通过与重力模型结合，CoPB显著降低了计算成本，同时提升了出行行为的预测精度和多样性。
图3. CoPB整体框架[6]
Desire-driven Autonomous Agent (D2A)[7]提出了一种基于动机驱动的自主行为生成框架，模拟人类行为的复杂性。该方法通过建立一个动态的价值系统，结合马斯洛需求理论，将人的内在动机（如社交、健康、满足感）转化为具体的活动决策。D2A模型根据个体需求的优先级自动生成和选择活动，确保行为符合其内在动机，而非仅仅依赖外部任务指令。实验结果表明，D2A能够生成更具人类特征、合理且富有多样性的日常活动序列，优于传统的基于目标推理或特征驱动的代理方法。
图4. D2A整体框架[7]
MobAgent[8] 是一个基于LLM生成个性化出行日记的框架。其创新之处在于通过理解型模式提取与推理型日程生成两阶段，结合个人属性（如年龄、性别、收入等）来分析和生成真实的出行轨迹。首先，通过提取细粒度的出行模式，捕捉个体出行动机与行为规律；然后，利用递归推理策略生成符合实际的出行活动，确保生成的轨迹既符合个人特征，又贴合城市实际环境。该方法有效提高了出行数据生成的准确性和个性化程度。
图5. MobAgent整体框架[8]
LLMob[9] 提出了一个基于LLM的人类出行轨迹生成框架，创新性地结合了个体活动模式和动态动机，模拟城市居民的日常活动。该方法通过自一致性评估确保生成的轨迹与历史数据高度一致，并利用检索增强生成策略，在生成过程中整合多维动机信息（如个人需求、外部环境等），提升预测的准确性和解释性。与传统模型相比，LLMob能够更好地理解和模拟个体在不同情境下的活动选择，具有较强的灵活性和适应性，尤其在应对突发事件（如疫情）时，表现出色。
图6. LLMob整体框架[9]
Travel Survey Generation[10] 提出了一种基于LLM的城市出行评估方法，创新性地利用LLM生成旅行调查数据，解决了传统数据收集的隐私问题和高成本问题。该方法通过设计一套评估体系，从模式层、旅行层和活动链层三个维度对生成数据进行评估。研究发现，经过微调的LLM（如Llama-2）能生成与实际旅行调查数据高度相似的合成数据。该方法在多个美国大都市区的实验中显示出优异的效果，尤其在旅行模式和活动链的生成方面，表现优于传统的模式生活（POL）模拟方法。
[6] Shao, Chenyang, et al. "Chain-of-planned-behaviour workflow elicits few-shot mobility generation in LLMs." arXiv 2024.
[7] Wang, Yiding, et al. "Simulating Human-like Daily Activities with Desire-driven Autonomy." arXiv 2024.
[8] Li, Xuchuan, et al. "Be more real: Travel diary generation using llm agents and individual profiles." arXiv 2024.
[9] Wang, JiaweiI, et al. "Large language models as urban residents: An llm agent framework for personal mobility generation." NeurIPS 2024.
[10] Bhandari, Prabin, et al. "Urban mobility assessment using llms." Proceedings of the 32nd ACM International Conference on Advances in Geographic Information Systems. 2024.
个性化出行代理
APEC-Travel[11] 提出了一种创新的旅行规划代理系统，结合LLM和“代理行为宪法”（APEC）。其通过多轮对话主动挖掘个性化的旅行需求，优化了代理的准确性、主动性、效率和可信度四个维度的行为表现。APEC-Travel通过生成模拟对话数据并进行反复训练，以实现与旅行者的高效互动，并根据旅行者的个性化要求提供定制化的旅行计划。实验表明，APEC-Travel在准确度和代理行为表现上均优于基准模型，能够高效提取并优化用户偏好。
图7. APEC-Travel方法框架 [11]
