摘要
个体移动性预测对城市模拟至关重要。现有监督模型缺乏透明度，而基于 LLM 的方法多依赖静态提示，难以在信号冲突时寻求额外证据。本文提出 AgentMob，一种无需训练的 LLM 驱动代理框架，将下一位置预测建模为自适应证据控制的决策过程。该框架通过基于历史规律的高速路径解决常规案例，并对模糊案例触发对近期轨迹、历史行为及地理证据的迭代工具使用。实验表明，AgentMob 在无训练方法中性能最优，其核心优势在于通过自适应证据收集解决模糊预测。
AI 推荐理由
论文核心在于 Agent 针对模糊案例自适应地迭代调用多种工具（轨迹、地理证据等）以解决预测问题。
研究机构
The University of Tokyo
HuaZhong University of Science and Technology
University of New South Wales, Sydney
LocationMind Inc.
Southern University of Science and Technology
Jilin University
论文信息