本文提出一种基于语言生成的人类移动趋势预测方法 SHIFT，通过将输入移动趋势描述句子转化为未来的移动状态描述，提高了移动预测模型的有效性和准确性。

Dec, 2021

使用大型语言模型进行基于语言的移动性预测已成为一种创新的方法。本文提出了一种基于信息熵的提示生成和链式思维等机制的提示细化的框架，旨在探索多样的提示设计策略，实验结果表明了我们提出的提示挖掘管道的优越性，为进一步推进基于语言的移动性预测提供了有希望的方向。

Mar, 2024

本文提出了 MobTCast：一种基于 Transformer 结构的上下文感知的网络模型，用于预测未来的兴趣点（POIs）。此模型探究了 4 种上下文对预测的影响：时间，语义，社交和地理位置，并通过引入自我注意机制和地理位置预测分支以及一致性损失来提高预测性能。实验证明此模型优于现有的预测方法，并展示了包括上下文在内的多种因素对于下一个 POI 的预测具有重要意义。

Sep, 2021

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

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

使用大型语言模型 (LLM) 对移动性预测问题进行综述，介绍了在交通系统内使用 LLM 的应用、最新进展以及需要克服的挑战。

May, 2024

本文提出了一个新的人类出行轨迹挖掘流程，利用大型语言模型对兴趣点进行活动类型标注，并使用基于贝叶斯算法推断轨迹中每个停留点的活动，评估结果表明，该方法在 POI 分类方面达到了 93.4% 的准确率和 96.1% 的 F-1 分数，并在活动推测方面达到了 91.7% 的准确率和 92.3% 的 F-1 分数。

May, 2024

通过大型语言模型（LLMs）推理轨迹语义的 Trajectory Semantic Inference with Large Language Models (TSI-LLM) 框架通过人类移动性模式的复杂分析，提高了轨迹数据的语义分析能力。

May, 2024

本文综述了最近在利用机器学习技术（尤其是 Transformer 模型）预测疫情期间人类流动模式方面的进展。了解疫情期间人们的流动情况对于建立疾病传播模型和制定有效的应对策略至关重要。预测人口流动对于提供流行病学模型的信息和在公共卫生紧急情况下实施有效的应对计划非常关键。预测流动模式可以使当局更好地预测疾病的地理和时间传播情况，更高效地分配资源，并实施有针对性的干预措施。我们回顾了一系列方法，这些方法既利用了像 BERT 这样的预训练语言模型，也利用了专门针对流动性预测任务设计的大型语言模型（LLMs）。这些模型在捕捉文本数据中的复杂时空依赖关系和上下文模式方面表现出重要潜力。

Apr, 2024

通过将轨迹预测任务转化为一种问答问题，本研究提出了基于语言和多模态的轨迹预测模型（LMTraj），该模型利用语言模型来理解和生成高水平知识，通过数值标记器和问答提示进行训练，证明了它在行人轨迹预测中的强大性能。

Mar, 2024