TrajCogn：利用LLM从轨迹中认知移动模式与出行目的
机器学习
2024-08-12 v2
摘要
时空轨迹在各种数据挖掘任务中至关重要。开发一种以高精度执行不同任务的通用轨迹学习方法非常重要。这涉及从轨迹中有效提取两个核心信息方面——移动模式和出行目的。然而，由于模型容量以及轨迹数据集质量和规模的限制，这极具挑战性。同时，大规模语言模型（LLM）通过在大规模、高质量数据集上训练，在通用性方面取得了巨大成功。鉴于轨迹与句子之间的相似性，利用LLM开发有效的轨迹学习方法具有潜力。然而，标准LLM并非为处理轨迹独特的时空特征而设计，无法提取移动模式和出行目的。为了应对这些挑战，我们提出了一种名为TrajCogn的模型，该模型有效利用LLM对轨迹进行建模。TrajCogn利用LLM的优势创建通用的轨迹学习方法，同时解决标准LLM的局限性。首先，TrajCogn引入了一种新颖的轨迹语义嵌入器，使LLM能够处理时空特征并提取移动模式和出行目的。其次，TrajCogn引入了一种新的轨迹提示，将这些模式和目的集成到LLM中，使模型能够适应各种任务。在两个真实世界数据集和两个代表性任务上的大量实验表明，TrajCogn成功实现了其设计目标。代码可在 https://anonymous.4open.science/r/TrajCogn-5021 获取。
引用
@article{arxiv.2405.12459,
title = {TrajCogn: Leveraging LLMs for Cognizing Movement Patterns and Travel Purposes from Trajectories},
author = {Zeyu Zhou and Yan Lin and Haomin Wen and Qisen Xu and Shengnan Guo and Jilin Hu and Youfang Lin and Huaiyu Wan},
journal= {arXiv preprint arXiv:2405.12459},
year = {2024}
}