解读人类移动性：利用大语言模型推断轨迹语义
人工智能
2024-05-31 v1
摘要
理解人类移动模式对于从城市规划到公共安全的各种应用至关重要。个体轨迹（如手机位置数据）虽然富含时空信息，但通常缺乏语义细节，限制了其在深入移动性分析中的效用。现有方法可以从这些数据中推断出基本的日常活动序列，但在理解复杂人类行为和用户特征方面缺乏深度。此外，它们还依赖于难以获取的辅助数据集（如出行调查）。为了解决这些局限性，本文通过三个关键维度定义了轨迹语义推断：用户职业类别、活动序列和轨迹描述，并提出了基于大语言模型的轨迹语义推断框架（TSI-LLM），以利用LLM全面深入地推断轨迹语义。我们采用了增强时空属性的数据格式化（STFormat）并设计了包含上下文的提示，使LLM能够更有效地解释和推断轨迹数据的语义。在真实世界轨迹数据集上的实验验证了TSI-LLM在解读复杂人类移动模式方面的有效性。本研究探索了LLM在增强轨迹数据语义分析方面的潜力，为更复杂和可访问的人类移动性研究铺平了道路。
引用
@article{arxiv.2405.19850,
title = {Deciphering Human Mobility: Inferring Semantics of Trajectories with Large Language Models},
author = {Yuxiao Luo and Zhongcai Cao and Xin Jin and Kang Liu and Ling Yin},
journal= {arXiv preprint arXiv:2405.19850},
year = {2024}
}