Agent à modèle linguistique étendu pour le raisonnement et la synthèse de la mobilité – MobAgent

La prolifération des données de mobilité humaine horodatées et géolocalisées provenant de plusieurs sources offre un immense potentiel pour des applications en planification des transports, analyse du comportement des voyageurs, surveillance des maladies et gestion urbaine intelligente. Cependant, la diffusion de données de mobilité pour un usage public fait face à des défis importants : les données de mobilité individuelles sont très sensibles en raison de la protection de la vie privée, et les données provenant de sources uniques sont souvent partielles, éparses et bruitées. Ces problèmes entravent la capacité à générer des chaînes de déplacement complètes, requises pour les simulations basées sur des agents. Pour relever ces défis complexes, le projet MobAgent vise à développer des méthodologies avancées d'apprentissage automatique pour la synthèse réaliste de la mobilité humaine, en utilisant des agents basés sur les grands modèles de Langage (LLM). Notre recherche se concentre sur les objectifs suivants. 1) Développer des modèles génératifs profonds (DGM) pour la synthèse réaliste de données de mobilité à source unique en tenant compte de la rareté des données, du bruit et de la censure. 2) Améliorer les DGM avec des mécanismes basés sur l'attention pour les dépendances spatio-temporelles complexes et traiter l'hétérogénéité des données. 3) Concevoir un cadre d'agent multimodal basé sur le LLM pour fusionner les données multi-sources en chaînes de déplacement multimodales complètes. Il s’agit d’exploiter les capacités des LLM à traiter différents formats de données et à comprendre les modèles d'activités humaines pour créer des agents spécialisés qui interagissent pour traiter, affiner et intégrer les données synthétisées, garantissant la génération de séquences de mobilité réalistes et cohérentes. Le MobAgent développé sera évalué à l'aide de modèles de simulation basés sur des agents dans des villes françaises et canadiennes.