以 LLM 为导向的 POI 分类语义轨迹数据挖掘
人工智能
2024-08-21 v2 机器学习
摘要
人类旅行轨迹挖掘对于交通系统至关重要，可提升路线优化、交通管理以及人类旅行模式研究。以往基于规则的方法缺乏语义信息融合，导致效率与准确性受限。语义信息（如从 POI 数据推断的活动类型）可显著提升轨迹挖掘质量。然而，融合这些见解具有挑战，因为许多 POI 的特征信息不完整，而当前基于学习的 POI 算法需要数据集完整性才能进行分类。本文引入一种新型管道用于人类旅行轨迹挖掘。我们的方法首先利用大型语言模型 (LLM) 的强大的推理与理解能力为 POI 标注活动类型，然后使用基于贝叶斯的算法推断轨迹中每个停留点的活动。在使用 OpenStreetMap (OSM) POI 数据集进行评估后，我们的方法在 POI 分类中实现了93.4%的准确率和96.1%的 F1 分数，在活动推断中实现了91.7%的准确率和92.3%的 F1 分数。
引用
@article{arxiv.2405.11715,
title = {Semantic Trajectory Data Mining with LLM-Informed POI Classification},
author = {Yifan Liu and Chenchen Kuai and Haoxuan Ma and Xishun Liao and Brian Yueshuai He and Jiaqi Ma},
journal= {arXiv preprint arXiv:2405.11715},
year = {2024}
}
备注
7 pages, accepted for the 27th IEEE International Conference on Intelligent Transportation Systems (ITSC 2024)