Dans cet article, nous présentons un cadre pour un modèle de mobilité humaine polyvalent, visant à surmonter les limites des approches existantes intégrant diverses sources de données. Nous intégrons des données multimodales présentant diverses caractéristiques et résolutions spatio-temporelles, notamment la géographie, la mobilité, les données sociodémographiques et les informations sur le trafic, afin de construire un ensemble de données de trajectoires de mobilité humaine préservant la confidentialité et riche sémantiquement. Les techniques de transfert de domaine garantissent la transférabilité entre environnements urbains, comme le démontrent les études de cas de Los Angeles et d'Égypte. Le LLM est utilisé pour enrichir sémantiquement les données de trajectoire, permettant une compréhension globale des schémas de mobilité. Nous démontrons, par une évaluation quantitative, que l'ensemble de données synthétiques généré reproduit fidèlement les schémas de mobilité observés dans les données empiriques et démontrons sa faisabilité par une simulation de trafic à grande échelle dans le comté de Los Angeles. L'erreur absolue moyenne en pourcentage est de 5,85 % pour le volume de trafic et de 4,36 % pour la vitesse sur un tronçon de l'I-405 en Californie, démontrant le potentiel du cadre pour les systèmes de transport intelligents et les applications de mobilité urbaine.
