CAD-Mob：融合大模型推理、因果推断与扩散模型的人类移动性预测统一架构

CAD-Mob提出了一种创新的统一智能体因果架构，将大语言模型推理、因果推断和扩散模型相结合，实现零样本下一位置预测和稀疏轨迹补全，为人类移动性建模开辟了新的技术路径。该架构融合三种前沿技术，旨在提升预测准确性、可解释性和鲁棒性。

人类移动性预测是位置服务、智能交通、城市规划等领域的核心技术之一。传统预测方法依赖历史轨迹数据的统计模式，但难以捕捉复杂移动行为中的深层因果关系和上下文语义。随着大语言模型（LLM）和生成式AI的快速发展，研究者开始探索将语义理解与因果推理能力引入移动性建模，以提升预测的准确性和可解释性。

AgentMove是CAD-Mob的语义理解核心，利用大语言模型的强大推理能力从自然语言描述中提取移动意图和上下文信息。它能理解"下班后去健身房"等富含语义的行为描述，并转化为结构化移动特征，使模型具备零样本预测能力——即使面对从未见过的地点类型或行为模式，也能基于常识推理做出合理预测。

移动性数据常存在选择偏差和混杂因素。因果推断层通过识别真正的因果效应过滤虚假相关性，确保模型学习稳定可迁移的规律。该层采用先进的因果发现算法和反事实推理技术，能回答"若用户选择不同交通方式，到达时间如何变化"等因果问题，显著提升分布外场景下的鲁棒性。

ProDiff是CAD-Mob的生成核心，创新性地将扩散模型应用于时空轨迹数据。它能根据部分观测轨迹片段生成完整连贯的移动路径，有效解决数据稀疏性问题；扩散模型的渐进式生成特性还允许细粒度控制生成过程，输出更符合真实人类行为模式的轨迹。

CAD-Mob在三大任务上表现突出：1.零样本下一位置预测：借助LLM常识知识，无需大量标注数据即可预测新地点类型，解决冷启动问题；2.稀疏轨迹补全：基于有限观测点重建完整轨迹，解决GPS中断等数据不完整问题；3.可解释建模：因果推断层提供预测的解释性，适用于智能导航推荐、异常行为检测等人机协作场景。

CAD-Mob的最大创新在于有机整合三种独立技术：大语言模型提供语义理解和零样本能力，因果推断确保鲁棒性和可解释性，扩散模型负责高质量轨迹生成。模块化设计允许各组件独立优化替换，如用轻量级LLM替代完整版、调整扩散模型采样策略适应实时场景，灵活适配不同应用需求。

CAD-Mob标志人类移动性研究进入新阶段——从单纯数据驱动转向融合知识、因果和生成能力的智能体范式。随着多模态大模型和具身智能的发展，未来有望出现更强大的系统，同时理解文本、图像、语音等多信息源，实现对人类移动行为的深度理解和精准预测。