探索大语言模型在公共事件下人类移动预测中的应用

公共事件（如音乐会和体育比赛）可吸引大量人群，导致出行需求出现不规则激增。因此，对公共事件进行准确的人类移动预测对于活动规划以及交通或人群管理至关重要。尽管关于公共事件的丰富文本描述通常可从在线来源获取，但将此信息编码到统计或机器学习模型中颇具挑战。现有方法在整合文本信息、处理数据稀疏性或提供预测依据方面普遍受限。为应对这些挑战，我们引入了一种基于大语言模型（LLMs）的公共事件下人类移动预测框架（LLM-MPE），利用其前所未有的处理文本数据、从极少样本中学习并生成人类可读解释的能力。具体而言，LLM-MPE首先将来自在线来源的raw、非结构化事件描述转换为标准化格式，然后将历史移动数据划分为常规与事件相关两部分。我们设计了一种提示策略，引导LLMs在考虑历史移动与事件特征的情况下做出需求预测并给出合理化解释。基于公开可用事件信息与出租车行程数据，我们对纽约巴克莱中心开展了案例研究。结果表明，LLM-MPE超越传统模型，尤其在事件日表现突出，且文本数据显著提升了其准确性。此外，LLM-MPE为其预测提供了可解释的洞察。尽管LLMs潜力巨大，我们也识别出包括错误信息与高成本在内的关键挑战，这些仍是阻碍其在大规模人类移动分析中更广泛应用的因素。