下一步去哪？大语言模型作为人类移动预测器
摘要
精准的人类移动预测支撑着众多重要应用，涵盖流行病学建模、交通规划与应急响应等多个领域。由于移动数据的稀疏性以及人们日常活动的随机性，实现人员位置的精确预测仍具挑战。尽管近期发展的大语言模型（LLMs）已在大量语言相关任务中展现优越性能，其在人类移动研究中的适用性仍待探索。针对此空白，本文深入探究 LLMs 在人类移动预测任务中的潜力。我们提出一种新方法 LLM-Mob，利用 LLMs 的语言理解与推理能力来分析人类移动数据。我们引入历史停留与上下文停留的概念，以捕捉人类移动中的长期与短期依赖，并通过预测目标的时间信息实现时间感知预测。此外，我们设计了含上下文的提示，使 LLMs 能生成更精准的预测。对我们方法的综合评估表明，LLM-Mob 在提供准确且可解释的预测方面表现优异，凸显了 LLMs 在推进人类移动预测技术中未被发掘的潜力。我们认为本研究标志着人类移动建模的重要范式转变，即从构建复杂领域专用模型转向利用通用 LLMs 通过语言指令产出准确预测。本工作的代码见 https://github.com/xlwang233/LLM-Mob。
引用
@article{arxiv.2308.15197,
title = {Where Would I Go Next? Large Language Models as Human Mobility Predictors},
author = {Xinglei Wang and Meng Fang and Zichao Zeng and Tao Cheng},
journal= {arXiv preprint arXiv:2308.15197},
year = {2024}
}
备注
Major changes: Used the entire FSQ-NYC dataset (table 1). Used Geolife for ablation study (figure 5). Incorporated time-unknown prediction performance (table 2), robustness testing(section 5.6), and ethical statement (appendix). Reformatted the paper using double column template