九天传流：面向通用动态城市感知的大规模时空模型
社会与信息网络
2025-10-29 v1 信息论
机器学习
math.IT
摘要
人类移动行为作为城市感知的窗口，蕴含反映居民行为偏好和城市区域功能的丰富时空信息。对人类移动行为的分析吸引了众多研究者注意。然而，现有方法常从特定任务的特定角度出发，导致对人类移动行为建模不足以及所学知识在各种下游应用中的适用性受限。为此，本文提出将大量人类移动数据输入时空模型，发现移动行为背后的潜在语义，并支持各种城市感知任务。具体而言，收集通过 ubiquitous base station 系统获取的大规模且覆盖广泛的人类移动数据，引入名为 General-purpose and Dynamic Human Mobility Embedding（GDHME）的框架用于城市感知。该框架遵循自监督学习思想，包含两个主要阶段。在阶段 1，GDHME 将人和区域视为动态图中的节点，将人类移动数据统一建模为人-区域-时间交互。编码器在连续时间内动态计算节点表示，捕捉人和区域的动态状态。此外，专为引导学习通用节点嵌入设计了自回归自监督任务。在阶段 2，这些表示用于支持各种任务。为评估 GDHME 框架的有效性，我们进一步构建了一个多任务城市感知基准。离线实验表明，GDHME 能够自动从海量数据中学习到有价值的节点特征。该框架被用于部署名为九天传流的大模型系统，该系统已在 2023 年中国移动全球合作伙伴大会上展示。
引用
@article{arxiv.2510.23662,
title = {JiuTian Chuanliu: A Large Spatiotemporal Model for General-purpose Dynamic Urban Sensing},
author = {Liangzhe Han and Leilei Sun and Tongyu Zhu and Tao Tao and Jibin Wang and Weifeng Lv},
journal= {arXiv preprint arXiv:2510.23662},
year = {2025}
}