Geo-Llama：利用LLM生成带时空约束的人类 mobility 轨迹

生成真实的人类 mobility 数据对于交通、城市规划和流行病控制等多个应用领域至关重要，因为由于高成本和隐私问题，实际数据往往难以获取。现有的深度生成模型从真实轨迹中学习以生成合成轨迹。尽管取得了进展，但大多数模型都存在训练稳定性问题，且随数据规模增大而扩展性差。更重要的是，它们往往缺乏控制机制以在诸如强制特定访问等约束下引导生成的轨迹。为解决这些限制，我们正式定义了受控轨迹生成问题，以有效处理多种时空约束。我们引入Geo-Llama，一种新的LLM微调框架，可在保持生成轨迹上下文连贯性的同时强制执行多个显式访问约束。在此方法中，对预训练的LLM在带有访问顺序置换策略的数据上进行微调，其中每个访问对应于特定时间和位置。该策略使模型能够捕获无论访问顺序的时空模式，同时通过生成时的提示实现灵活且原地约束集成。广泛的在真实数据和合成数据集上的实验验证了Geo-Llama的有效性，证明了其在处理广泛范围的约束以生成比现有方法更真实的轨迹方面的 versatility 和鲁棒性。