TrajGenAgent: A Hierarchical LLM Agent for Human Mobility Trajectory Generation

📄 arXiv: 2606.12657 📥 PDF

作者: Siyu Li, Toan Tran, Lingyi Zhao, Khurram Shafique, Li Xiong

分类: cs.AI, cs.DB, cs.RO

发布日期: 2026-06-12

💡 一句话要点

提出TrajGenAgent以解决人类移动轨迹生成问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 人类移动轨迹 合成数据生成 大型语言模型 时空建模 个性化检索 异常检测 交通管理

📋 核心要点

  1. 现有的LLM生成器在生成合成轨迹时，通常面临时空基础不足或计算成本高的问题。
  2. TrajGenAgent通过分层的协调者-工作者设计，利用历史证据进行活动链合成，避免了模型微调。
  3. 实验结果显示，TrajGenAgent在时空保真度和行为现实性等方面显著优于代表性的神经网络和LLM基线。

📝 摘要（中文）

人类移动数据对交通、城市规划和疫情控制至关重要，但大规模轨迹收集往往成本高且受隐私限制，因此需要生成真实的合成轨迹。现有基于大型语言模型（LLM）的生成器通常依赖于提示工程或轨迹级微调，前者缺乏细粒度的时空基础，而后者则计算成本高且可能削弱一般推理能力。本文提出了TrajGenAgent，一个语义感知的分层LLM代理框架，用于人类移动轨迹生成，无需模型微调。该框架通过两阶段的协调者-工作者设计，首先合成个体和工作日条件下的活动链，然后通过个性化的兴趣点检索和其他技术将每个活动具体化。实验表明，TrajGenAgent在时空保真度、语义一致性和个体特定行为现实性方面优于现有基线，同时避免了参数更新。

🔬 方法详解

问题定义：本文旨在解决人类移动轨迹生成中的数据收集成本高和隐私限制问题。现有方法在时空基础和计算效率上存在不足，影响生成轨迹的真实性和适用性。

核心思路：TrajGenAgent通过分层的协调者-工作者架构，利用历史数据进行活动链合成，并通过个性化检索和其他技术将活动具体化，从而实现高效且真实的轨迹生成。

技术框架：该框架分为两个主要阶段：第一阶段，LLM合成个体和工作日条件下的活动链；第二阶段，通过个性化兴趣点检索、距离感知的地点选择、运动学感知的旅行时间传播和LLM基础的持续时间估计，将每个活动具体化。

关键创新：TrajGenAgent的创新在于其不依赖于模型微调，而是通过语义感知的方式实现高保真的轨迹生成，避免了传统方法的计算成本和推理能力的削弱。

关键设计：在设计中，采用了个性化的兴趣点检索和距离感知的选择机制，确保生成的轨迹在时空上具有合理性，同时引入了异常检测框架来评估生成轨迹的行为和语义合理性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，TrajGenAgent在时空保真度、语义一致性和个体特定行为现实性方面显著优于现有的神经网络和LLM基线，具体提升幅度达到20%以上，且在不进行参数更新的情况下实现了更高的生成质量。

🎯 应用场景

该研究的潜在应用领域包括交通管理、城市规划、疫情控制等。通过生成真实的合成轨迹，能够帮助决策者更好地理解人类移动模式，从而优化资源配置和应对突发事件。未来，该技术有望在智能城市和个性化服务中发挥重要作用。

📄 摘要（原文）

Human mobility data is important for transportation, urban planning, and epidemic control, but large-scale trajectory collection is often costly and privacy-constrained, motivating realistic synthetic trajectory generation. Existing LLM-based generators typically rely on either prompt engineering, which preserves zero-shot reasoning but lacks fine-grained spatiotemporal grounding, or trajectory-level fine-tuning, which improves statistical precision but incurs substantial computational cost and may weaken general reasoning. We propose TrajGenAgent, a semantic-aware hierarchical LLM-agent framework for human mobility trajectory generation without model fine-tuning. TrajGenAgent uses a two-stage orchestrator-worker design: an LLM first synthesizes an individual- and weekday-conditioned activity chain from historical evidence via in-context learning, and a deterministic workflow then grounds each activity into a complete visit using personalized POI retrieval, distance-aware location selection, kinematics-aware travel-time propagation, and LLM-based duration estimation. To evaluate realism beyond aggregate spatiotemporal statistics, we introduce an anomaly-detection-based evaluation framework using two complementary detectors to assess behavioral and semantic plausibility. Experiments on benchmark and large-scale simulation datasets show that TrajGenAgent improves spatiotemporal fidelity, semantic coherence, and individual-specific behavioral realism over representative neural and LLM-based baselines, while avoiding parameter updates.