Multi-Agent Collaborative Reasoning with Tool-Augmented Evidence for Urban Region Profiling

📄 arXiv: 2607.13558v1 📥 PDF

作者: Xixuan Hao, Yutian Jiang, Jiabo Liu, Yihang Yang, Guangyin Jin, Song Gao, Yuxuan Liang

分类: cs.AI

发布日期: 2026-07-15

备注: Accepted by KDD 2026

💡 一句话要点

提出UrbanAgent框架以解决城市区域分析中的跨模态不一致问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 城市区域分析 多模态推理 代理协作 强化学习 知识检索 数据融合 环境监测

📋 核心要点

  1. 现有城市区域分析方法主要依赖相关性，假设跨模态一致性，导致在异构或未知区域的鲁棒性不足。
  2. 论文提出UrbanAgent框架，通过独立代理进行结构化多代理协作推理，显式处理跨模态不一致问题。
  3. 实验结果显示UrbanAgent在碳排放、GDP和人口估计任务上平均提升8.1% R2，具有良好的泛化性能。

📝 摘要（中文）

城市区域分析是城市计算中的核心问题，支持人口估计、经济评估和环境监测等应用。现有方法通常将此任务视为多模态表示学习，融合异构城市数据（如卫星图像、兴趣点、文本描述和3D建筑信息）进行预测。然而，这些方法主要依赖相关性，假设跨模态一致性，并依赖静态流程，限制了其在异构或未知城市区域的鲁棒性。我们提出了UrbanAgent，一个将城市区域分析重新构建为推理驱动的推断问题的框架。UrbanAgent为每种数据模态实例化独立代理，并通过结构化的多代理协作推理显式解决跨模态不一致。此外，UrbanAgent将指标预测扩展为主动证据获取和迭代推理的闭环过程，使代理能够通过强化学习优化的外部知识检索来验证不确定推断。大量实验表明，UrbanAgent在全球城市数据集上的表现优于现有基线，R2平均提升8.1%，并在未知城市设置中展现出强大的泛化能力。

🔬 方法详解

问题定义：本论文旨在解决城市区域分析中的跨模态不一致性问题。现有方法依赖于静态管道和相关性，无法有效处理异构数据和未知区域的挑战。

核心思路：UrbanAgent框架通过为每种数据模态实例化独立代理，进行结构化的多代理协作推理，从而显式解决跨模态不一致性，而不是将其吸收为单一表示。

技术框架：UrbanAgent的整体架构包括多个独立代理，每个代理对应一种数据模态，代理之间通过协作推理进行信息共享和不一致性处理。此外，框架还实现了主动证据获取和迭代推理的闭环过程。

关键创新：UrbanAgent的主要创新在于其推理驱动的设计，能够主动获取外部知识并通过强化学习优化检索过程，显著提升了推理的准确性和鲁棒性。

关键设计：在设计中，采用了强化学习优化的知识检索机制，确保代理能够在不确定情况下进行有效的推理。此外，损失函数设计考虑了跨模态一致性和推理准确性，确保了模型的整体性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，UrbanAgent在碳排放、GDP和人口估计任务上均优于现有基线，平均提升8.1% R2。这一显著提升展示了UrbanAgent在处理复杂城市数据时的有效性和鲁棒性，尤其是在未知城市设置中的强泛化能力。

🎯 应用场景

该研究的潜在应用领域包括城市规划、环境监测和经济分析等。通过提升城市区域分析的准确性，UrbanAgent能够为政策制定者和城市管理者提供更可靠的数据支持，促进可持续发展和资源优化配置。未来，该框架还可扩展至其他领域，如智能交通和公共安全等。

📄 摘要（原文）

Urban region profiling constitutes a core problem in urban computing, supporting applications such as population estimation, economic assessment, and environmental monitoring. Existing methods typically formulate this task as multimodal representation learning, fusing heterogeneous urban data, e.g., satellite imagery, points of interest, textual descriptions, and 3D building information, into latent embeddings for prediction. However, these approaches are largely correlation-driven, assume cross-modal consistency, and rely on static pipelines, which limit their robustness in heterogeneous or unseen urban regions. We propose UrbanAgent, an agentic framework that reframes urban region profiling as a reasoning-driven inference problem. UrbanAgent instantiates an independent agent for each data modality and performs structured multi-agent collaborative reasoning to explicitly address cross-modal inconsistencies rather than absorbing them into a single representation. In addition, UrbanAgent extends indicator prediction as a closed-loop process of active evidence acquisition and iterative reasoning, enabling agents to verify uncertain inferences through tool-augmented retrieval of external knowledge optimized via reinforcement learning. Extensive experiments on global urban datasets for Carbon emissions, GDP, and Population estimation show that UrbanAgent consistently outperforms existing baselines, achieving an average improvement of 8.1% in R2, and exhibiting strong generalization performance in unseen-city settings.