ActivityEditor: 물리적으로 타당한 인간 이동 패턴을 생성하는 학습 방법

ActivityEditor: Learning to Synthesize Physically Valid Human Mobility

인간 이동 모델링은 다양한 도시 분야에서 필수적입니다. 그러나 기존의 데이터 기반 방법은 종종 데이터 부족으로 인해 어려움을 겪으며, 이는 역사적 경로 데이터가 없거나 제한된 지역에서는 적용 가능성이 낮습니다. 이러한 격차를 해소하기 위해, 우리는 데이터가 부족한 환경에서도 다양한 지역에서 이동 경로를 생성할 수 있는 새로운 듀얼 LLM 에이전트 프레임워크인 **ActivityEditor**를 제안합니다. 우리의 프레임워크는 복잡한 생성 작업을 두 가지 협력 단계로 분해합니다. 구체적으로, 인구 통계학적 정보를 활용하여 구조화된 인간 의도를 생성하고, 고수준의 사회-의미적 일관성을 보장하는 활동 체인을 생성하는 의도 기반 에이전트를 사용합니다. 이러한 결과물은 에디터 에이전트에 의해 이동 경로를 얻기 위해 반복적인 수정 과정을 거치면서 실제 세계의 물리적 제약을 반영하여 인간 이동 법칙을 준수하도록 개선됩니다. 에이전트는 실제 세계의 물리적 제약에 기반한 다양한 보상을 활용한 강화 학습을 통해 이러한 능력을 습득하며, 이동 규칙성을 내재화하고 고정밀의 이동 경로 생성을 보장합니다. 광범위한 실험 결과, **ActivityEditor**는 다양한 도시 환경으로 전이될 때 우수한 성능을 보이는 것으로 나타났습니다. 이는 높은 통계적 충실도와 물리적 타당성을 유지하며, 데이터가 부족한 시나리오에서 이동 시뮬레이션을 위한 강력하고 매우 일반화 가능한 솔루션을 제공합니다. 저희의 코드는 다음 링크에서 확인하실 수 있습니다: https://anonymous.4open.science/r/ActivityEditor-066B.

Human mobility modeling is indispensable for diverse urban applications. However, existing data-driven methods often suffer from data scarcity, limiting their applicability in regions where historical trajectories are unavailable or restricted. To bridge this gap, we propose \textbf{ActivityEditor}, a novel dual-LLM-agent framework designed for zero-shot cross-regional trajectory generation. Our framework decomposes the complex synthesis task into two collaborative stages. Specifically, an intention-based agent, which leverages demographic-driven priors to generate structured human intentions and coarse activity chains to ensure high-level socio-semantic coherence. These outputs are then refined by editor agent to obtain mobility trajectories through iteratively revisions that enforces human mobility law. This capability is acquired through reinforcement learning with multiple rewards grounded in real-world physical constraints, allowing the agent to internalize mobility regularities and ensure high-fidelity trajectory generation. Extensive experiments demonstrate that \textbf{ActivityEditor} achieves superior zero-shot performance when transferred across diverse urban contexts. It maintains high statistical fidelity and physical validity, providing a robust and highly generalizable solution for mobility simulation in data-scarce scenarios. Our code is available at: https://anonymous.4open.science/r/ActivityEditor-066B.