本项目在做什么#
城市出行不是“平均人”的活动序列。
学生、上班族、自由职业者、退休老人，即使生活在同一座城市，也会因为年龄、职业、收入、家庭结构、居住地和工作地不同，形成不同的活动节奏与地点安排。
真实个体出行数据能够帮助我们理解不同人群如何使用城市空间，但它往往涉及隐私保护，采集成本高，也容易受到样本偏差的影响。许多研究因此转向生成数据，希望在保护隐私的前提下，构造可用于分析、模拟和方法测试的个体出行记录。
然而，如果生成的数据只追求总体分布上的合理性，就容易把城市中的人压缩成同质化的移动主体，难以表达具体身份和城市环境带来的出行差异。
本项目尝试利用大语言模型智能体（LLM Agents），生成细粒度、个性化的城市居民日常活动与出行记录。
我们在城市中创建一批 LLM Agents，赋予它们不同的个体画像，例如年龄、职业、收入、家庭角色等，并为其设定居住地。
随后，智能体根据自身画像与城市环境，规划一天中的活动安排与出行过程：
- 早上几点出门？
- 是直接去公司，还是先送孩子上学？
- 午饭在哪里解决？
- 下班后是否顺路购物、健身或参加社交活动？
- 最后又会在什么时间、通过怎样的路径回家？
通过这种方式，我们希望生成的数据不仅能够反映城市活动的整体规律，也能呈现不同人群在日常生活中的行为异质性，以及这些行为与城市空间环境之间的联系。
项目开放#
为了方便读者了解、复现和扩展这项工作，我们已经在 GitHub 上开放了项目代码和部分生成数据。
GitHub Repository
Human Mobility Generation Agent
相关论文#
中文论文
黄菲, 肖智雄, 李旭川, 李国隆, 乐阳. 大语言模型智能体驱动的出行日志生成技术[J]. 武汉大学学报（信息科学版）. DOI: 10.13203/j.whugis20250277.
英文论文
Li, X., Huang, F., Lv, J., Xiao, Z., Li, G., & Yue, Y. (2024). Be More Real: Travel Diary Generation Using LLM Agents and Individual Profiles. arXiv:2407.18932.
这份数据可以怎么用？#
本项目开放的数据由模型生成，不包含真实个体的原始出行记录。它们可以用于理解生成结果的数据结构，也可以作为出行行为分析、城市活动模拟和下游模型测试的示例材料。
例如，研究者可以利用这些数据探索不同个体画像下的活动模式，分析生成出行记录的时间安排与空间分布，或者测试相关的数据处理、可视化和建模方法。
需要注意的是，生成数据并不等同于真实观测数据。即使生成结果在总体统计特征上表现合理，也不意味着它能够准确还原特定城市、特定人群的真实出行行为。
因此，如果将这些数据用于交通模拟、政策分析或城市规划推断，仍需结合真实观测数据和具体应用场景进行必要的校验。