En este artículo, presentamos un marco para un modelo de patrones de movilidad humana de propósito general que supera las limitaciones de los enfoques existentes que integran diversas fuentes de datos. Integramos datos multimodales con diversas características y resoluciones espaciotemporales, incluyendo información geográfica, de movilidad, sociodemográfica y de tráfico, para construir un conjunto de datos de trayectorias de movilidad humana que preserva la privacidad y es semánticamente rico. Las técnicas de transferencia de dominio garantizan la transferibilidad entre entornos urbanos, como se demuestra en los estudios de caso de Los Ángeles y Egipto. El LLM se utiliza para enriquecer semánticamente los datos de trayectoria, lo que permite una comprensión integral de los patrones de movilidad. Demostramos mediante una evaluación cuantitativa que el conjunto de datos sintéticos generado reproduce con precisión los patrones de movilidad observados en datos empíricos y demostramos su viabilidad mediante una simulación de tráfico a gran escala en el condado de Los Ángeles. El error porcentual absoluto promedio es del 5,85 % para el volumen de tráfico y del 4,36 % para la velocidad en un tramo de la I-405 en California, lo que demuestra el potencial del marco para sistemas de transporte inteligentes y aplicaciones de movilidad urbana.
