基于开源大型语言模型的个人 mobility 预测 foundational 模型
计算与语言
2026-03-03 v4
摘要
个人 mobility 预测在城市交通中发挥着关键作用，使个性化服务推荐和有效旅行管理成为可能。其常通过数据驱动方法建模，包括机器学习、深度学习以及经典计量经济学方法，以捕捉 mobility 模式的关键特征。然而，这些方法受限于对不同数据源获取关键信息的能力，以及在零样本（out-of-distribution）设置下的预测能力，阻碍了其可转移性和鲁棒性。为此，本文引入 MoBLLM，一个用于个人 mobility 预测的 foundational model，旨在学习跨异构数据源中 mobility 行为的共享可转移表征。基于轻量级开源大型语言模型（LLM），MoBLLM 采用参数高效微调（PEFT）技术构建成本效益高的训练管道，无需大规模 GPU 集群即可保持卓越性能。我们在六个真实世界 mobility 数据集上进行大量实验，评估其在不同时间尺度（年份）、空间语境（城市）以及情境条件（如干扰和干预）下的准确性、鲁棒性和可转移性。MoBLLM 在所有数据集上实现最佳 F1 分数和准确率，优于状态致胜（SOTA）深度学习模型，显示其在可转移性和成本效益方面优于商业 LLM。进一步实验表明，其在网络变更、政策干预、特殊事件和事故等情境下的鲁棒性良好。这些结果表明，MoBLLM 提供了个人 mobility 行为的通用建模基础，使交通管理的个性化信息服务更可靠、更具适应性。
引用
@article{arxiv.2503.16553,
title = {A Foundational Individual Mobility Prediction Model based on Open-Source Large Language Models},
author = {Zhenlin Qin and Leizhen Wang and Yancheng Ling and Francisco Camara Pereira and Zhenliang Ma},
journal= {arXiv preprint arXiv:2503.16553},
year = {2026}
}