人类移动性（Human Mobility） 旨在研究个体在特定时间跨度内于具有功能意义的场所间的空间位移，并探讨此类移动如何聚合成影响可达性、交通拥堵、碳排放及公共卫生的群体性模式。近年来，大语言模型（LLMs） 在该领域的应用愈发广泛，其核心优势在于能够对场所与活动的语义信息、旅行者的主观意图与偏好，以及难以通过经纬度坐标或纯数值属性表征的复杂现实约束进行深度推理。 尽管相关研究发展迅猛，但现有文献仍较为零散，缺乏将移动性任务、核心挑战与 LLM 架构设计进行系统性关联的综合述评。基于此，本文对人类移动性领域中基于 LLM 的研究进行了全面的综述，重点聚焦于以下五大核心任务：出行路线规划、轨迹生成、移动性模拟、移动性预测，以及移动性语义与理解。针对每一项任务，我们系统性地梳理了代表性研究工作，阐明了 LLM 在应对特定挑战中所扮演的角色，并总结了主流的基于 LLM 的方案设计范式。最后，本文探讨了该领域亟待解决的挑战，并对构建可靠、落地（Grounded）且具备隐私感知能力的移动性大模型给出了未来研究方向。

1 引言

人类移动性研究旨在探讨个体如何随时间在具有功能意义的场所间移动，以及这些个人轨迹如何聚合成群体层面的模式 [8, 60]。该研究超越了单纯记录出行时间和地点的范畴，通过描述人类日常生活的环境驱动组织形式（Context-driven organization），涵盖了人们在各处的停留时长、返回频率，以及个体间常规规程（Routines）的形成与差异。这种以个体旅行者和行为为中心的视角，补充了传统的交通流模型——后者主要在路段或发到节点（OD）层面量化流量、速度和拥堵等网络状态。相比之下，人类移动性研究进一步探究了个体在场所间移动的原因、时间和方式，异构常规与访问频率的产生机制，以及这些微观行为如何聚合成宏观移动模式。这些见解为城市规划和交通管理提供了定量与定性的基础，支持了减少排放和空气污染的努力 [2, 51]，并有助于揭示社会经济不平等和空间隔离现象 [60]。 因此，大量文献致力于开发描述、预测和生成人类移动性的模型与学习方法 [8, 51, 70]。尽管取得了进展，但表征驱动人类移动的语义层（Semantic layers）仍然具有挑战性。意图、个人偏好和情境约束等潜在因素，难以通过纯粹基于坐标或流量的表征来捕捉。受此局限性的启发，近期研究开始探索将大语言模型（LLMs）作为人类移动性研究的补充工具。通过将移动性视为具象化的活动序列（Contextual activity sequences）并整合外部信息，基于 LLM 的方法提供了一条将时空轨迹与可解释的行为语境相结合的路径。这种集成有望增强各种人类移动性任务中的个性化水平、推理能力以及长时程连贯性。 尽管存在这些机遇，现有的综述尚未对人类移动性中的 LLM 应用提供统一的、以任务为中心的综合分析。目前的综述往往侧重于交通工程，或仅提供该领域的碎片化视角。例如，Zhang 等人 [96] 回顾了 LLM 如何与先前的机器学习和深层学习方法结合以预测交通信息和出行行为；Zhang 等人 [95] 提供了关于 LLM 用于传统移动性分析的教程；Long 等人 [50] 则侧重于 LLM 在交通预测中的应用。这些工作奠定了重要的基础，但在针对人类移动性场景（必须考虑个体常规、活动偏好和基于人格的约束）的 LLM 技术指导方面表现有限。在另一个方向上，Mayemba 等人 [55] 综述了流行病期间使用机器学习（包括基于 Transformer 的模型和相关的预训练语言模型思想）进行的移动性预测，但其范围局限于流行病背景，无法泛化到更广泛的人类移动性任务。Nie 等人 [59] 提出了一个涵盖智能交通系统广泛应用（如交通预测、自动驾驶和安全分析）的概念框架，但其综述主要提供了一般交通应用的概览，缺乏深入的技术分析。此外，尽管出行目的、个体偏好和人格特质（Persona）对于理解和建模人类移动模式至关重要，但在很大程度上被忽视了。其他关于一般交通研究的类似综述可见于 [26, 54, 86]。综上所述，目前仍缺乏一个将人类移动性任务、核心挑战、LLM 角色以及系统设计相联系的统一、以任务为中心的综述。 本综述通过提供关于 LLM 如何被应用于人类移动性研究以及哪些技术约束塑造了其效用的以任务为中心的综合（Task-centric synthesis），填补了这一空白。我们将人类移动性任务归纳为五大流派：出行路线规划、轨迹生成、移动性模拟、移动性预测，以及移动性语义与理解。对于每个流派，我们阐明了 LLM 的实际用途、其与其他组件的集成方式，以及为什么这些角色在特定设置下是有益的。更广泛地说，本综述探讨了在不同的人类移动性任务中，LLM 扮演了什么样的功能角色，以及哪些证据支持了这些选择。通过提供通用的任务分类、分析各项任务的挑战并讨论 LLM 在各任务中的差异化应用，本综述旨在为后续工作提供实践指导，并激发人类移动性领域的新研究方向。 本文余下部分的结构安排如下：第 2 节简要介绍 LLM 的背景；第 3 节对不同的移动性任务进行分类并评述相关文献；第 4 节讨论任务挑战及 LLM 在其中的机遇；最后，第 5 节通过讨论潜在的未来方向对全文进行总结。