使用 LLM 驱动的代理实现高效且基于证据的移动预测

个人层面的出行预测是城市模拟、交通规划和政策分析的核心。监督序列模型具有很高的准确性，但需要针对特定​​任务的训练，并且决策级别的透明度有限。最近基于 LLM 的方法提高了可解释性，但主要依赖于静态提示和单遍推理，限制了它们在移动信号较弱或冲突时寻求额外证据的能力。我们提出了 \method{}，一个 无需训练 LLM 驱动的代理框架，它将下一个位置预测制定为自适应证据控制决策。 \method{} 通过基于历史规律的快速路径解决常规案例，而模棱两可的案例则触发对最近轨迹、历史行为、停留移动可能性和地理证据的迭代工具使用。在三个移动数据集上，AgentMob 在基于 无需训练 LLM 的方法中实现了最强的整体性能，其中 GPT-5.4 在 BW 上达到 71.42\% Acc@1，在 YJMob100K 上达到 33.14\%，在上海 ISP 上达到 33.50\%。在 BW 非快速路径情况下，LLM 控制器将 Acc@1 从同一工具统计基线的 30.65% 提高到 48.62%，表明其主要好处在于通过自适应证据收集解决模糊预测。我们的代码可在 https://github.com/Unknown-zoo/AgentMob 获取。