利用大型语言模型作为零样本下一个位置的预测器进行了评估，并展示了其较高的准确性和解释能力，为解决诸如疾病传播和减少污染等社会问题提供了一种新思路。

May, 2024

本文提出了一种名为 MPE 的新型移动模式嵌入模型，旨在从多个方面（包括顺序、个人和时间因素）揭示流量轨迹数据中人们的移动模式，并考虑了数据中由道路网络引起的 “幻影转换” 效应。该模型具有集成低维潜在空间和考虑道路网络的特点，为下一个位置预测和可视化等应用打开了大门。在两个真实数据集上的实验结果表明，MPE 在各种任务中具有显著的有效性和优越性，胜过了现有的最佳方法。

Mar, 2020

通过对领先的大语言模型如 GPT-4 和 Claude-2 在检测移动数据中的异常行为的能力进行实证研究，我们的研究发现大语言模型可以在没有特定线索的情况下达到合理的异常检测性能，并且在提供上下文线索的情况下可以进一步提高预测效果，同时能够提供合理的判断解释，从而增加透明度，为人类空间轨迹分析的研究提供了洞察。

Oct, 2023

本研究提出了一种神经网络消息传递模型来模拟交通参与者之间的协作和交互，以及对行为建模的单个参与者。在两种设置下，模型都高效优于之前最先进的方法。

Mar, 2020

通过对两个广泛使用的真实世界数据集进行广泛实验，我们得出了几个重要的发现。实证评估表明，大型语言模型具有有希望的零样本推荐能力，可以提供准确合理的预测。我们还揭示了大型语言模型不能准确理解地理上下文信息，并对候选 POI 的展示顺序敏感，这显示了大型语言模型的局限性并需要进一步研究鲁棒的人类移动推理机制。

Apr, 2024

本文介绍了利用大型语言模型（LLM）进行人类移动性预测的潜力。通过引入 LLM-Mob 方法，该研究提出了历史停留和上下文停留的概念，以捕捉人类移动性中的长期和短期依赖，并通过使用预测目标的时间信息实现时间感知预测。全面的评估结果表明，LLM-Mob 在提供准确可解释预测方面表现出色，突显了 LLM 在推进人类移动性预测技术上的未开发潜力。

Aug, 2023

可靠地预测道路行为是自动驾驶车辆安全规划的关键组成部分。本研究将连续轨迹表示为离散运动令牌序列，并将多智能体运动预测视为一个语言建模任务。我们的模型 MotionLM 具有多个优势：首先，它不需要锚点或明确的潜在变量优化来学习多模态分布；其次，我们利用标准的语言建模目标，通过最大化序列令牌的平均对数概率来实现；此外，该模型的顺序分解使得它能够进行时间因果条件推断。在 Waymo 开放动态数据集上，所提出的方法在多智能体运动预测方面取得了新的最先进性能，排名第一。

Sep, 2023

本篇研究探讨了一种名为 Travel Time Difference Model 的新方法，结合了 Markov 模型和最短路径算法，根据过去的轨迹信息和实际行驶时间，大幅提升了下一个位置的预测准确性。

Mar, 2020

本文提出了一种神经运动规划器 (NMP)，用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图，NMP 生成可解释的中间表示形式，以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后，本文的实验结果表明，学习成本体积可以生成比所有基线更安全的规划。

Jan, 2021

通过利用预训练语言模型（PLM）建立一个名为 PLM4Traj 的模型，该模型能够适应不同任务，有效地提取出嵌入在轨迹中的运动模式和旅行目的，从而解决了原始 PLMs 在建模轨迹时的不足，为轨迹学习提供了通用的解决方案。

May, 2024