ELLMob: Event-Driven Human Mobility Generation with Self-Aligned LLM Framework

📄 arXiv: 2603.07946v1 📥 PDF

作者: Yusong Wang, Chuang Yang, Jiawei Wang, Xiaohang Xu, Jiayi Xu, Dongyuan Li, Chuan Xiao, Renhe Jiang

分类: cs.LG, cs.AI

发布日期: 2026-03-09

备注: Accepted by ICLR 2026

🔗 代码/项目: GITHUB

💡 一句话要点

ELLMob：基于自对齐LLM框架的事件驱动型人类移动模式生成

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 人类移动模式生成 事件驱动 大型语言模型 自对齐框架 模糊迹理论

📋 核心要点

  1. 现有基于LLM的移动模式生成方法难以捕捉大规模社会事件下的异常移动，缺乏事件标注的数据集是主要瓶颈。
  2. ELLMob通过自对齐LLM框架，提取并对齐习惯模式和事件约束之间的竞争性理由，从而生成更合理的轨迹。
  3. 实验结果表明，ELLMob在多个真实事件数据集上优于现有方法，验证了其在事件驱动场景下的有效性。

📝 摘要（中文）

人类移动模式生成旨在合成可信的轨迹数据，广泛应用于城市系统研究。基于大型语言模型（LLM）的方法擅长生成常规轨迹，但难以捕捉大规模社会事件期间的异常移动模式。这种局限性源于两个关键差距：(1) 缺乏用于设计和评估的事件标注移动模式数据集；(2) 当前框架无法协调用户习惯模式和事件约束之间的竞争关系，从而影响轨迹决策。本文通过双重贡献解决这些差距。首先，我们构建了首个事件标注移动模式数据集，涵盖三个重大事件：海贝思台风、COVID-19疫情和2021年东京奥运会。其次，我们提出了ELLMob，一种自对齐LLM框架，该框架首先基于模糊迹理论提取习惯模式和事件约束之间的竞争性理由，然后迭代地对齐它们，以生成既基于习惯又对事件做出响应的轨迹。大量实验表明，ELLMob在所有事件中均优于最先进的基线方法，证明了其有效性。我们的代码和数据集可在https://github.com/deepkashiwa20/ELLMob获取。

🔬 方法详解

问题定义：现有的人类移动模式生成方法，特别是基于大型语言模型的方法，在生成常规轨迹方面表现良好。然而，当面临大规模社会事件（如自然灾害、疫情或大型活动）时，这些方法难以准确捕捉人们的异常移动行为。主要痛点在于缺乏包含事件信息的移动模式数据集，以及现有框架无法有效平衡用户习惯和事件约束之间的影响。

核心思路：ELLMob的核心思路是利用大型语言模型理解和建模用户在事件影响下的移动决策过程。它基于模糊迹理论，认为用户的决策是习惯模式和事件约束共同作用的结果。通过提取这两种因素之间的竞争性理由，并迭代地对齐它们，ELLMob能够生成既符合用户日常习惯，又能对事件做出合理响应的轨迹。

技术框架：ELLMob框架主要包含以下几个阶段：1) 事件标注数据集构建：构建包含事件信息的移动模式数据集，用于模型的训练和评估。2) 竞争性理由提取：利用LLM从用户历史轨迹和事件信息中提取习惯模式和事件约束，并分析它们之间的竞争关系。3) 自对齐轨迹生成：通过迭代优化，将提取的竞争性理由对齐，生成既符合习惯又响应事件的轨迹。4) 轨迹评估：使用多种指标评估生成轨迹的质量和合理性。

关键创新：ELLMob的关键创新在于提出了一个自对齐的LLM框架，能够有效地整合用户习惯和事件约束，从而生成更真实的事件驱动型移动模式。与现有方法相比，ELLMob能够更好地理解事件对用户行为的影响，并生成更符合实际情况的轨迹。

关键设计：ELLMob的关键设计包括：1) 使用Fuzzy-Trace Theory来建模用户决策过程；2) 设计了自对齐机制，迭代地优化轨迹生成过程，以平衡习惯模式和事件约束；3) 构建了包含多种事件类型的移动模式数据集，为模型的训练和评估提供了基础。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ELLMob在三个真实事件（海贝思台风、COVID-19疫情和2021年东京奥运会）的数据集上均优于最先进的基线方法。具体而言，ELLMob在轨迹预测的准确性和合理性方面均取得了显著提升，证明了其在事件驱动场景下的有效性。例如，在COVID-19疫情期间，ELLMob能够更准确地预测人们的出行减少和出行模式的变化。

🎯 应用场景

ELLMob的研究成果可广泛应用于城市规划、交通管理、应急响应等领域。例如，在灾害发生时，可以利用ELLMob预测人群的疏散行为，为应急救援提供决策支持。此外，ELLMob还可以用于评估大型活动对城市交通的影响，为交通管理部门提供优化方案。该研究有助于更好地理解人类在复杂环境下的移动行为，提升城市管理的智能化水平。

📄 摘要（原文）

Human mobility generation aims to synthesize plausible trajectory data, which is widely used in urban system research. While Large Language Model-based methods excel at generating routine trajectories, they struggle to capture deviated mobility during large-scale societal events. This limitation stems from two critical gaps: (1) the absence of event-annotated mobility datasets for design and evaluation, and (2) the inability of current frameworks to reconcile competitions between users' habitual patterns and event-imposed constraints when making trajectory decisions. This work addresses these gaps with a twofold contribution. First, we construct the first event-annotated mobility dataset covering three major events: Typhoon Hagibis, COVID-19, and the Tokyo 2021 Olympics. Second, we propose ELLMob, a self-aligned LLM framework that first extracts competing rationales between habitual patterns and event constraints, based on Fuzzy-Trace Theory, and then iteratively aligns them to generate trajectories that are both habitually grounded and event-responsive. Extensive experiments show that ELLMob wins state-of-the-art baselines across all events, demonstrating its effectiveness. Our codes and datasets are available at https://github.com/deepkashiwa20/ELLMob.