Newest papers

Beyond Trajectory Statistics: Community-Consistent Human Mobility Generation via Evolving User-Location Graphs

Bo Liu, Tong Li, Jiapeng Zhang, Zhu Xiao, Zhuo Tang, Kenli Li · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.28467 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Dữ liệu di động của con người là cơ sở để xác nhận các dịch vụ định vị dựa trên web và các ứng dụng đô thị rộng hơn, và thế hệ di động cung cấp các quỹ đạo tổng hợp khi dữ liệu thực là tốn kém hoặc không thể truy cập được. Mặc dù các máy phát điện di động gần đây đã kết hợp các mô hình di động tập thể, họ chủ yếu tập trung vào các quỹ đạo di động dựa trên web và động lực dân số tổng hợp, để lại các cấu trúc cộng đồng phát triển được hình thành bởi các tương tác người dùng-địa điểm không được mô hình đầy đủ. Trong bài báo này, chúng tôi nghiên cứu các đại lý di động của người dùng, đại lý địa điểm cộng đồng, và một người quản lý quyền riêng tư toàn cầu. Để đạt được mục đích này, chúng tôi xây dựng thế hệ di động 4.0 như một thế hệ cộng đồng tương tác di động có sẵn từ

Machine translation (Meta M2M100); the English original follows.

Abstract

Human mobility data are fundamental to Web-based location services and broader urban applications, and mobility generation provides synthetic trajectories when real data are costly or inaccessible. Although recent mobility generators have incorporated collective mobility patterns, they primarily focus on individual trajectories and aggregate population dynamics, leaving evolving community structures formed by user-location interactions insufficiently modeled. In this paper, we study community-consistent human mobility generation. To this end, we formulate mobility generation as the generation of dynamic user-location graphs to model community structures and propose MOTION, a Multi-agent framework for cOmmuniTy-consIstent human mObility geNeration. MOTION consists of user agents, location agents, and a global manager agent. MOTION first detects coherent communities from historical mobility using the Leiden algorithm and extracts community-conditioned interaction priors to guide the generation process. Guided by these priors, the user agents plan mobility, search destination candidates, and infer user movements from the individual view. In parallel, selectively activated location agents infer likely user arrivals from the community view. The manager coordinates both views, diagnoses interactions causing deviations, and attributes targeted reflection signals to revise user decisions, location attraction, and source-user selection. Experiments on two real-world datasets show that MOTION outperforms baselines by at least 4.05% across reported metrics of individual trajectories, population and flow distributions, and community and graph structures. Further analyses confirm its robustness, privacy preservation, and downstream utility. The code is available at https://anonymous.4open.science/r/MOTION-04C4.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Mobility model, Graph, Population, Trajectory, Theoretical computer science

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange