RHYTHM：面向人类移动性的分层时序分词推理框架
机器学习
2026-02-25 v3 人工智能
计算与语言
摘要
由于复杂的长期依赖关系和多尺度周期性行为，预测人类移动性本质上极具挑战。为解决此问题，我们提出了RHYTHM（面向人类移动性的分层时序分词推理框架），一个利用大型语言模型（LLM）作为通用时空预测器和轨迹推理器的统一框架。在方法论上，RHYTHM采用时序分词将每条轨迹划分为每日片段，并将其编码为离散词元，通过分层注意力机制捕捉日和周依赖关系，从而在保留周期信息的同时将序列长度平方级地缩减。此外，我们通过一个冻结的LLM为轨迹片段和预测目标添加预计算的提示嵌入，并将这些组合嵌入反馈给LLM主干，以捕捉复杂的相互依赖关系，从而丰富了词元表示。在计算上，RHYTHM保持预训练的LLM主干冻结，从而实现了更快的训练速度和更低的内存占用。我们使用三个真实世界数据集，将我们的模型与最先进的方法进行了评估。值得注意的是，RHYTHM在总体准确率上提升了2.4%，在周末准确率上提升了5.0%，并将训练时间减少了24.6%。代码已公开于https://github.com/he-h/rhythm。
引用
@article{arxiv.2509.23115,
title = {RHYTHM: Reasoning with Hierarchical Temporal Tokenization for Human Mobility},
author = {Haoyu He and Haozheng Luo and Yan Chen and Qi R. Wang},
journal= {arXiv preprint arXiv:2509.23115},
year = {2026}
}
备注
Advances in Neural Information Processing Systems 39 (NeurIPS) 2025