清华大学团队研发AI城市规划师：让虚拟居民在真实城市中自由"生活"

这项由清华大学电子工程系的杜雨薇、冯杰、袁健、李勇教授团队开展的研究发表于2025年6月，论文标题为《CAMS: A CityGPT-Powered Agentic Framework for Urban Human Mobility Simulation》。有兴趣深入了解的读者可以通过arXiv:2506.13599v1获取完整论文。

当你打开手机地图查看实时路况时，那些密密麻麻的红绿线条背后，其实隐藏着无数个体的出行轨迹。每个人的移动轨迹看似随机，但实际上遵循着某种规律——上班族总是在固定时间往返于家和公司，学生们的活动范围集中在学校周边，老年人则更倾向于在居住区附近活动。理解和预测这些人类移动模式，对于城市规划、交通管理、疫情防控等众多领域都有着重要意义。

然而，传统的人类移动模拟方法就像是用固定的模板来描绘千人千面的生活轨迹，往往难以准确捕捉真实世界的复杂性。清华大学的研究团队提出了一个全新的解决方案，他们开发了一个名为CAMS的智能框架，这个系统就像是一位对城市了如指掌的AI规划师，能够根据不同人的个人信息，在真实的城市地图上模拟出极其逼真的日常活动轨迹。

CAMS的核心创新在于将大语言模型的常识推理能力与专门的城市空间知识相结合。这就好比让一个既熟悉人性又精通地理的智者来预测每个人的行为轨迹。与以往需要大量历史数据才能工作的传统方法不同，CAMS仅凭借用户的基本信息——比如年龄、职业、收入水平等——就能生成合理的移动轨迹，这种能力对于新城区规划或缺乏历史数据的地区尤其有价值。

**一、从模板学习到个性化创造：MobExtractor的智慧提取**

人类的移动行为虽然看似复杂多变，但实际上存在着某些共同的模式。比如大多数上班族的一天都遵循着"家-工作-用餐-工作-家"这样的基本框架，只是具体的时间安排和地点选择因人而异。CAMS系统的第一个核心组件MobExtractor，就像是一位善于观察的人类学家，它的任务是从有限的样本数据中提取出这些普遍的行为模式，然后为新用户生成个性化的移动模式。

MobExtractor采用了一种"压缩-重建"的双阶段学习机制。在压缩阶段，系统学会如何从原始的移动轨迹中提取出用户的行为习惯和动机。这个过程就像是从一本厚厚的日记中总结出一个人的生活规律——他几点起床，通常在哪里吃午饭，周末喜欢去什么地方。系统会识别出诸如"这个人通常8点出门上班"、"他喜欢在公司附近的餐厅用餐"这样的行为特征。

在重建阶段，系统学会如何根据用户档案信息重新构建出合理的移动轨迹。这就像是根据一个人的职业、年龄、收入等信息来推测他的日常生活安排。系统会考虑各种因素之间的关联性，比如高收入的金融从业者可能工作时间更长，居住在市中心的概率更高；而教师的作息时间可能更规律，活动范围相对固定。

当面对新用户时，MobExtractor会寻找与其最相似的模板用户。这个过程提供了两种策略：一种是基于语言模型的语义相似性匹配，另一种是基于数学向量的嵌入相似性计算。语义匹配更注重理解用户属性的实际含义，比如"软件工程师"和"程序员"在语义上是相似的；而嵌入匹配则更加精确地计算各种属性的数值相似度。

研究团队发现，嵌入式方法在实际应用中表现更为稳定。系统会构建一个包含所有模板用户的特征矩阵，然后通过计算余弦相似度来找到最匹配的用户群体。找到相似用户后，系统会融合这些用户的行为特征，生成适合新用户的个性化移动描述。

**二、城市知识的智能调用：GeoGenerator的空间推理**

如果说MobExtractor解决了"这个人会做什么"的问题，那么GeoGenerator就是要回答"他会在哪里做这些事情"。这个组件基于增强版的CityGPT模型，就像是一位对城市地理了如指掌的本地向导，能够根据用户的行为意图和个人特征，在真实的城市空间中找到最合适的地点。

GeoGenerator的工作分为两个关键步骤。首先是锚点位置提取，系统需要确定每个用户的家和工作地点这两个最重要的活动锚点。这个过程采用了"从宏观到微观"的层级化生成方式，就像是先确定在哪个区，再确定在哪条街，最后精确到具体的建筑物。

系统会考虑用户的职业特征和区域分布规律。比如对于IT工程师，系统知道他们的工作地点通常集中在科技园区或商务中心区；对于教师，工作地点更可能分布在各个学校附近。同时，系统还会考虑住房成本与收入的匹配关系，高收入群体更可能住在市中心的高档社区，而刚毕业的年轻人可能选择郊区的经济型住房。

在确定锚点位置的过程中，系统采用了一种反思机制。每当生成一批用户的位置分布后，系统会将结果与真实数据的分布进行对比，如果发现偏差过大，就会调整生成策略。这种自我纠错的能力确保了生成结果的真实性。

第二步是城市结构映射，这是GeoGenerator最具挑战性的任务。系统需要根据用户的活动计划，在城市中找到合适的具体地点。比如，当用户的计划显示"12点到14点30分用餐"时，系统需要在其当前位置附近找到合适的餐厅。

为了提升空间推理能力，研究团队对CityGPT进行了专门的增强训练。他们构建了一万个问答对的训练数据集，内容包括"某个地点周边有哪些特定类型的场所"、"从A地到B地的路径规划"等城市空间知识。这种训练让模型能够更准确地理解城市空间的布局逻辑。

系统还采用了层级化的地址表示方法，将每个地点表示为"行政区→街道→具体地点"的层级结构。这种表示方法符合人类对空间的认知习惯，也有助于模型更好地理解地理关系。当用户资料中包含地址信息时，系统能够据此推断用户的大致活动范围，生成更加符合实际的移动轨迹。

**三、轨迹优化的精细雕琢：TrajEnhancer的完美呈现**

经过前两个组件的处理，系统已经能够生成基本合理的移动轨迹，但要达到真正的逼真效果，还需要TrajEnhancer进行最后的精细调整。这个组件就像是一位经验丰富的电影剪辑师，负责将粗糙的素材打磨成流畅自然的成品。

TrajEnhancer的核心技术是直接偏好优化(DPO)，这是一种让AI系统通过对比学习来改进输出质量的方法。系统会同时生成多个版本的轨迹，然后通过与真实轨迹的对比来判断哪个版本更好，从而不断优化生成策略。

这个过程就像是训练一位艺术家。起初，艺术家可能画出的人物轮廓正确但细节粗糙，通过不断观察真实的人物照片并对比自己的作品，逐渐学会了如何让画作更加逼真。TrajEnhancer也是如此，它通过反复对比生成轨迹与真实轨迹的差异，学会了如何让模拟轨迹在时空连续性方面更加合理。

在优化过程中，系统特别关注几个关键指标。空间连续性确保用户不会在短时间内出现在相距很远的地点；时间合理性保证活动时间安排符合常理；行为一致性确保轨迹与用户的个人特征相匹配。

研究团队设计了一个迭代优化的训练流程。他们使用高性能的语言模型对CAMS生成的移动模式进行质量评分，将评分较高的输出作为负样本，对应的真实轨迹作为正样本，构建训练数据。通过多轮这样的训练，系统的生成质量得到了显著提升。

实验结果显示，经过DPO优化的轨迹在各项指标上都有明显改善。特别是在空间距离和时间间隔的合理性方面，优化后的轨迹与真实轨迹的差异大幅缩小。这种改进不仅体现在统计数据上，从可视化的轨迹图中也能直观地看出，优化后的轨迹更加平滑连贯，避免了不合理的跳跃或重复。

**四、多维度验证：从统计到语义的全面评估**

为了验证CAMS系统的有效性，研究团队设计了一套全面的评估体系，就像是为一部电影设计多个不同角度的观影体验。他们从个体行为、集体分布、语义合理性等多个维度对生成的轨迹进行了细致的评估。

在个体层面的评估中，研究团队关注每个用户的移动特征是否符合其个人属性。他们计算了移动距离、活动半径、时间间隔等指标的分布情况，并与真实数据进行对比。结果显示，CAMS生成的轨迹在这些指标上与真实数据高度吻合，特别是在反映个人移动能力的半径指标和体现日常习惯的距离分布方面。

集体层面的评估则考察所有用户的整体行为模式是否符合城市的真实情况。研究团队分析了热门地点的访问频率分布，发现CAMS能够很好地重现真实城市中的人流聚集规律。商业中心、交通枢纽等地点在模拟结果中同样表现出高访问频率，而偏远地区的访问量也相应较低。

语义层面的评估是这项研究的一大创新点。传统的移动模拟评估往往只关注数值指标，而忽视了行为的合理性。CAMS的评估体系引入了活动意图分析，将地点类型与用户行为进行匹配。比如，用餐时间是否出现在餐厅，工作时间是否在办公区域，购物行为是否发生在商业区等。结果表明，CAMS生成的轨迹在语义合理性方面显著优于传统方法。

研究团队还特别设计了一个"地名有效性"指标来评估系统是否会产生不存在的地点。这是使用语言模型进行地理推理时的一个常见问题，系统可能会"幻想"出一些听起来合理但实际不存在的地名。CAMS通过专门的城市知识训练，将这类错误控制在了极低的水平，生成的地点几乎全部是真实存在的。

**五、多模型对比：CAMS的显著优势**

为了展示CAMS的优越性，研究团队将其与多种现有方法进行了对比测试，就像是在同一个舞台上展示不同演员的表演水平。对比的方法包括传统的深度学习模型、基础的语言模型方法，以及经典的机制化模型。

在与深度学习方法的对比中，CAMS展现出了明显的优势。传统的深度学习方法如ActSTD、DSTPP、MoveSim虽然在某些数值指标上表现不错，但在空间准确性和个体差异性方面存在明显不足。这些方法就像是用统一的模板来描述所有人的行为，难以体现不同用户的个性化特征。相比之下，CAMS能够根据用户的具体属性生成差异化的轨迹，更好地反映了真实世界的多样性。

与其他基于语言模型的方法相比，CAMS的优势主要体现在对城市空间的深度理解上。现有的方法如CoPB和LLMob虽然也利用了语言模型的推理能力，但它们对空间知识的处理相对简单，往往只是将地理信息作为外部输入，而没有深度整合到模型的推理过程中。CAMS通过使用专门训练的CityGPT模型，实现了空间知识与行为推理的深度融合。

在空间准确性方面，CAMS的表现尤为突出。传统方法生成的轨迹往往存在空间跳跃或不合理的地点选择，而CAMS生成的轨迹在空间连续性和地点选择的合理性方面都大幅优于对比方法。这种改进不仅体现在定量指标上，从轨迹的可视化结果中也能清晰地看出差异。

研究团队还测试了CAMS在不同规模数据集上的表现。结果显示，即使在数据量较少的情况下，CAMS仍能保持稳定的性能，这归功于其利用语言模型先验知识的能力。而传统的数据驱动方法在数据稀缺时性能会显著下降，这限制了它们在新地区或新场景中的应用。

**六、技术细节的精妙设计**

CAMS系统的成功不仅在于整体架构的创新，更在于许多技术细节的精心设计。这些细节就像是精密手表中的每一个齿轮，看似微小但对整体性能至关重要。

在相似用户检索方面，研究团队对比了基于语言模型的语义匹配和基于向量嵌入的数值匹配两种方法。有趣的是，虽然语义匹配在理论上更符合人类的认知方式，但在实际应用中，嵌入式方法表现更为稳定。这可能是因为语义匹配过于依赖语言模型的主观判断，而嵌入式方法能够更客观地计算特征相似度。

在地理信息的表示方面，系统采用了层级化的地址格式，而不是简单的坐标或网格编号。这种设计有两个重要优势：一是符合人类对空间的认知习惯，二是有助于语言模型理解地理关系。当系统需要推理"某个地点附近有什么设施"时，层级化的地址能够提供更丰富的上下文信息。

研究团队还对比了不同的地理知识获取方式。除了使用增强的CityGPT，他们还测试了基于社交图谱的方法和基于地图API的方法。社交图谱方法通过分析用户间的相似性来推荐地点，地图API方法则直接查询商业地图服务。结果显示，CityGPT方法在准确性和多样性方面都明显优于其他方法，这证明了深度整合的空间知识的价值。

在模型选择方面，研究团队测试了多种不同规模和类型的语言模型，包括开源的LLaMA、Qwen系列，以及商业化的GPT模型。有趣的是，专门针对城市知识训练的CityGPT虽然参数量相对较小，但在城市空间推理任务上的表现却超过了许多大型通用模型。这说明针对特定领域的知识注入比简单的模型规模扩大更为有效。

**七、实际应用的广阔前景**

CAMS系统的价值不仅在于学术研究，更在于其在实际应用中的巨大潜力。这个系统就像是一个多功能的城市规划工具箱，能够为各种城市管理和规划任务提供支持。

在城市规划领域，CAMS能够帮助规划师预测新建设施对居民出行模式的影响。比如，在某个区域新建一个大型购物中心，系统可以模拟周边居民的购物行为变化，预测可能出现的交通拥堵点，为交通配套设施的规划提供依据。这种预测能力对于实现"15分钟城市"这样的现代城市规划理念特别有价值。

在交通管理方面，系统能够为交通部门提供更精确的出行需求预测。传统的交通流量预测往往基于历史数据的统计分析，难以适应人口结构变化或新建设施的影响。CAMS通过模拟不同人群的出行行为，能够更灵活地适应城市发展的变化，为公交线路优化、道路规划等提供科学依据。

在疫情防控方面，这个系统展现出了特殊的价值。当需要评估某项防控措施的效果时，传统方法往往需要等待实施后才能观察结果。而CAMS能够提前模拟不同措施下的人员流动情况，帮助决策者选择最有效的防控策略。比如，限制某些场所的开放时间对人员聚集的影响，或者不同隔离措施对整体社会活动的冲击程度。

商业应用方面，CAMS为选址分析提供了强大的工具。无论是零售店铺、餐厅还是服务设施，选址都是成功的关键因素。系统能够根据目标客户群体的特征，模拟他们的日常活动轨迹，识别出最有可能被频繁访问的地点。这种分析不仅考虑了地理位置的便利性，还综合了人群特征和行为习惯，提供了更全面的选址建议。

学术研究方面，CAMS为城市社会学、地理学、交通工程等多个学科提供了新的研究工具。研究者可以通过调整系统参数来模拟不同的社会经济条件，观察人类移动行为的变化规律。这种模拟能力使得一些在现实中难以开展的大规模对照实验成为可能。

**八、技术挑战与创新突破**

尽管CAMS取得了显著的成功，但其发展过程中也遇到了许多技术挑战，研究团队的解决方案体现了深刻的技术洞察。

最大的挑战之一是如何平衡个体行为的多样性与集体分布的规律性。每个人的行为都有其独特性，但整体上又必须符合城市的宏观分布规律。这就像是在创作一部合唱作品，既要让每个声部都有自己的特色，又要确保整体和谐统一。研究团队通过引入反思机制解决了这个问题，系统会定期检查生成结果的整体分布，并根据需要调整个体生成策略。

另一个重大挑战是语言模型的"地理幻觉"问题。当要求语言模型生成具体的地点名称时，它有时会创造出听起来合理但实际不存在的地名。这个问题在地理应用中是致命的，因为不存在的地点会导致整个模拟失去意义。研究团队通过专门的城市知识训练和严格的验证机制几乎完全解决了这个问题，将幻觉率控制在了1%以下。

数据稀疏性是另一个需要解决的问题。真实的移动轨迹数据往往是稀疏的，用户可能几个小时都没有位置记录，然后突然出现在一个新地点。这种数据特性给模型学习带来了困难。CAMS通过引入语言模型的常识推理能力，能够对缺失的轨迹段进行合理的插值，使得生成的轨迹更加完整连贯。

计算效率也是一个重要考虑因素。城市规模的移动模拟涉及大量的用户和复杂的空间推理，计算量巨大。研究团队通过优化算法结构和引入缓存机制，显著提升了系统的运行效率。在保证精度的前提下，系统能够在合理的时间内完成大规模的模拟任务。

模型的可解释性是这类系统面临的普遍挑战。与传统的黑盒深度学习模型不同，CAMS的设计注重可解释性。系统的每个决策都有明确的逻辑依据，用户可以理解为什么某个人会在特定时间出现在特定地点。这种透明性对于在实际应用中获得用户信任至关重要。

**九、实验验证的深度分析**

研究团队在两个大规模真实数据集上对CAMS进行了全面测试，这些实验就像是为这个AI系统安排的一次次严格考试，验证其在不同场景下的表现能力。

第一个数据集来自腾讯，包含北京地区10万用户在2019年10月至12月期间的移动数据，总计近3亿个轨迹点。第二个数据集来自中国移动，虽然用户数量相对较少(1246人)，但时间跨度为2017年7月至8月，提供了不同时期的对比视角。这种多数据集验证确保了结果的普遍性和可靠性。

在轨迹生成任务中，CAMS在16个评估指标中的11个指标上取得了最佳表现，综合排名显著领先。特别值得注意的是，CAMS在空间分布相关的指标(距离、半径、空间距离)上表现尤为突出，这直接验证了其内置城市空间知识的价值。在个体移动模式指标上，CAMS也保持了领先地位，说明系统能够有效捕捉不同用户的个性化行为特征。

轨迹恢复任务的结果同样令人印象深刻。仅使用用户的基本档案信息，CAMS就能重构出与原始轨迹高度相似的移动模式。这种能力在实际应用中极具价值，因为获取详细的历史轨迹数据往往困难且昂贵，而基本的用户档案信息相对容易获得。

研究团队还进行了详细的消融实验，分析了系统各个组件的具体贡献。结果显示，反思机制的引入显著改善了集体分布的准确性，DPO优化明显提升了轨迹的时空连续性，而CityGPT的使用则是空间准确性提升的关键因素。这些发现为未来的系统优化提供了明确的方向。

特别有趣的是不同语言模型的对比实验。虽然测试了包括GPT-4在内的多种大型模型，但专门针对城市知识训练的CityGPT在大多数指标上都表现最佳。这个结果挑战了"模型越大越好"的常见认知，说明针对特定领域的知识优化比简单的规模扩大更为有效。

在地理知识生成方面，研究团队对比了三种不同的方法：增强的CityGPT、传统地图API、社交网络图方法。CityGPT方法在准确性和多样性方面都明显优于其他方法，进一步证明了深度集成空间知识的优势。

**十、用户群体分析的精细洞察**

CAMS系统的一个突出特点是能够根据不同的用户特征生成差异化的移动模式。研究团队通过可视化分析展示了这种个性化能力的细节，就像是为不同角色编写了各具特色的人生剧本。

以20岁的IT工程师为例，系统生成的工作地点高度集中在城市的科技园区和商务中心，而居住地点则相对分散在郊区，这反映了年轻技术人员"住得远、省成本"的现实选择。他们的日常轨迹显示出较强的规律性，主要在工作地点和少数几个生活服务点之间移动，偶尔会前往娱乐场所，这符合这个群体工作忙碌但偶尔需要放松的生活模式。

相比之下，金融行业的年轻女性职员呈现出不同的模式。她们的工作和居住地点都更倾向于聚集在主要的商务区附近，反映了这个行业对地理位置的重视和相对较高的收入水平。她们的移动轨迹显示出更多的购物和社交活动，访问的地点类型也更加多样化。

中年的网络销售人员则展现出截然不同的特征。他们的移动轨迹更加分散和不规律，经常出现跨区域的长距离移动，这与销售工作需要频繁拜访客户的特点高度吻合。他们的活动时间也更加灵活，不受传统办公时间的严格限制。

这些差异化的模式不是研究团队预先设定的，而是系统通过学习真实数据中的规律自动发现并重现的。这种能力说明CAMS不仅掌握了表面的统计规律，更深入理解了不同社会群体的行为逻辑。

**十一、方法论的创新突破**

CAMS的成功不仅在于技术实现，更在于方法论上的创新突破。这些创新就像是为人工智能与城市科学的结合开辟了新的道路。

首先是"先理解后生成"的设计理念。传统的移动模拟方法往往直接从数据到结果，缺乏中间的理解环节。CAMS引入了语义化的移动模式表示，系统首先理解"这个人是什么样的人，会有什么样的行为习惯"，然后再将这些抽象的习惯映射到具体的地理空间中。这种方法使得生成过程更加可控和可解释。

其次是"知识与推理的深度融合"。以往的方法要么依赖纯数据驱动，要么简单地将地理知识作为外部输入。CAMS通过CityGPT实现了地理知识与推理能力的有机融合，使得系统能够像人类一样综合考虑空间约束、个人偏好、社会规律等多种因素。

第三个创新是"多层级的反馈优化机制"。系统不仅在训练阶段学习，在生成过程中也会持续优化。通过DPO技术，系统能够从每次生成的结果中学习，不断改进生成质量。这种持续学习的能力使得系统能够适应数据分布的变化和新的应用场景。

最后是"跨尺度的空间建模方法"。CAMS既考虑了个体层面的行为选择，也兼顾了城市层面的整体分布。这种跨尺度的建模方法避免了传统方法中个体行为与集体规律脱节的问题，实现了微观行为与宏观模式的统一。

**十二、局限性与未来发展方向**

尽管CAMS取得了显著成果，但研究团队也诚实地指出了当前系统的一些局限性，这些局限性为未来的研究指明了方向。

首先是数据依赖性的问题。虽然CAMS相比传统方法大幅降低了对历史数据的需求，但仍然需要一定量的种子数据来学习基本的移动模式。在完全没有历史数据的新城区或特殊场景中，系统的表现可能会受到影响。未来的研究可以探索如何进一步减少数据依赖，或者利用其他城市的数据进行跨地域的知识迁移。

其次是动态变化的适应性。当前的系统主要模拟相对稳定的日常移动模式，对于重大事件(如疫情、节假日、突发事件)引起的行为变化处理能力有限。未来的改进可以考虑引入事件感知机制，使系统能够动态调整模型参数以适应不同的情境。

第三是多元化群体的覆盖度。目前的研究主要关注了常见的职业和年龄群体，对于一些特殊群体(如残疾人、临时访客、特殊职业等)的建模还不够充分。扩展系统的群体覆盖范围是一个重要的发展方向。

计算效率仍有优化空间。虽然当前系统已经能够处理大规模的模拟任务，但随着城市规模的扩大和模拟精度要求的提高，计算效率将成为一个越来越重要的考虑因素。未来可以探索模型压缩、分布式计算、增量更新等技术来进一步提升效率。

隐私保护是另一个需要重点关注的方面。虽然CAMS生成的是合成数据而非真实个人轨迹，但在训练和应用过程中仍然涉及真实用户数据的使用。如何在保证系统性能的同时强化隐私保护，是一个需要深入研究的问题。

说到底，CAMS代表了人工智能在城市科学应用中的一个重要里程碑。它不仅解决了传统移动模拟方法的诸多局限，更重要的是开创了一种全新的研究范式——将大语言模型的推理能力与专业领域知识深度结合，实现了技术创新与实际应用的完美统一。

这项研究的意义远超出技术本身。它为我们展示了人工智能如何能够真正理解和模拟人类行为的复杂性，为未来的智慧城市建设提供了强有力的工具支撑。随着技术的不断完善和应用场景的拓展，CAMS有望在城市规划、交通管理、商业决策等多个领域发挥越来越重要的作用，最终帮助我们建设更宜居、更高效、更智能的现代城市。

对于那些对人工智能与城市科学交叉领域感兴趣的读者，这项研究无疑提供了一个极佳的学习案例。它展示了如何将前沿的AI技术与实际问题相结合，如何平衡技术创新与实用性，以及如何进行严谨的科学验证。有兴趣深入了解技术细节的读者，建议通过arXiv:2506.13599v1获取完整论文，相信会从中获得更多启发。

Q&A

Q1：CAMS是什么？它能做什么？ A：CAMS是清华大学开发的AI城市移动模拟系统，它能仅凭用户基本信息(年龄、职业、收入等)就在真实城市地图上生成逼真的日常活动轨迹。就像一个懂得城市地理和人性的AI规划师，能预测不同人群的出行模式。

Q2：CAMS会不会取代传统的城市规划方法？ A：目前不会完全取代，但会大大改变城市规划方式。CAMS主要作为一个强大的辅助工具，帮助规划师更准确地预测和评估规划决策的影响，特别是在缺乏历史数据的新城区规划中具有独特优势。

Q3：普通人能使用CAMS技术吗？有什么要求？ A：目前CAMS还是学术研究项目，普通用户无法直接使用。但其技术成果未来可能会集成到城市规划软件、地图应用或商业选址工具中。技术本身需要一定的编程基础和地理数据支持才能运行。