通过大语言模型增强的跨城市学习预测极端事件期间的人类移动性
机器学习
2026-03-27 v2 人工智能
计算机与社会
摘要
随着城市化和气候变化，城市的脆弱性日益增加，这使得预测极端事件（例如极端天气）期间的人类移动性对于下游任务（包括基于位置的早期灾害预警和预分配救援资源等）变得更加重要。然而，现有的人类移动性预测模型主要针对正常场景设计，由于极端场景下人类移动模式的转变，无法适应极端场景。为解决此问题，我们引入了\textbf{X-MLM}，一个跨\textbf{X}极端事件的\textbf{M}移动性\textbf{L}语言\textbf{M}模型框架，该框架通过利用大语言模型（LLM）对移动意图进行建模，并在城市间迁移关于不同极端事件如何影响移动意图的通用知识，可集成到现有的深度移动性预测方法中。该框架利用一个RAG增强的意图预测器来预测下一个意图，通过一个基于LLM的意图精炼器对其进行优化，然后使用一个意图调制的位置预测器将意图映射到确切位置。大量实验表明，与基线相比，X-MLM在Acc@1上实现了32.8%的提升，在预测不移动的F1分数上实现了35.0%的提升。代码可在https://github.com/tsinghua-fib-lab/XMLM获取。
引用
@article{arxiv.2507.19737,
title = {Predicting Human Mobility during Extreme Events via LLM-Enhanced Cross-City Learning},
author = {Yinzhou Tang and Huandong Wang and Xiaochen Fan and Yong Li},
journal= {arXiv preprint arXiv:2507.19737},
year = {2026}
}