ARMove：通过代理推理学习预测人类移动性

人类移动性预测因复杂多变而极具挑战。现有大模型方法存在黑盒推理缺乏可解释性、无法迭代学习及迁移性差等问题。本文提出 ARMove，一种完全可迁移的基于代理推理的预测框架。该框架通过标准化特征管理、用户画像细分及自动化生成机制，利用代理决策动态调整特征权重以最大化精度，并提供可解释的决策路径。此外，通过大小模型协同蒸馏策略，将大模型知识迁移至小模型，降低成本并提升性能上限。实验表明其在多项指标上优于最先进基线，且在跨区域、用户及规模测试中展现出强大的鲁棒性与可解释性。