Resumen: La detección urbana participativa basada en la web ha surgido como un enfoque vital para la gestión urbana moderna al aprovechar a los individuos móviles como sensores distribuidos. Sin embargo, los sistemas de detección urbana existentes luchan con una generalización limitada en diversos escenarios urbanos y una mala interpretabilidad en la toma de decisiones. En este trabajo, presentamos AgentSense, un marco híbrido sin capacitación que integra grandes modelos de lenguaje (LLM) en la detección urbana participativa a través de un sistema de evolución de múltiples agentes. AgentSense inicialmente emplea un planificador clásico para generar soluciones de referencia y luego las refina de forma iterativa para adaptar las asignaciones de tareas de detección a las condiciones urbanas dinámicas y las preferencias heterogéneas de los trabajadores, al tiempo que produce explicaciones en lenguaje natural que mejoran la transparencia y la confianza. Amplios experimentos en dos conjuntos de datos de movilidad a gran escala y siete tipos de perturbaciones dinámicas demuestran que AgentSense ofrece claras ventajas en adaptabilidad y explicabilidad sobre los métodos tradicionales. Además, en comparación con las líneas de base de LLM de un solo agente, nuestro enfoque supera tanto en rendimiento como en solidez, al tiempo que ofrece explicaciones más razonables y transparentes. Estos resultados posicionan a AgentSense como un avance significativo hacia la implementación de sistemas de detección urbana adaptativos y explicables en la web.
Publicado originalmente en export.arxiv.org el 22 de octubre de 2025.
Ver fuente original
