本文提出了一种基于深度神经网络的UrbanFM方法，通过粗粒度的输入生成细粒度的人流分布，进而实时推断城市内的人流情况。在实验中，与七个基线方法相比，UrbanFM方法在真实数据集上表现出了最先进的状态，在推断细粒度城市流问题上表现得非常有效和高效。

Feb, 2019

本研究综述了最近的预训练基础模型技术的研究进展，重点探讨了这些技术在文本、图像、图形以及其他数据模态中的应用前景、挑战和机遇，同时也讨论了这些技术的基本组成、现有预训练方法和未来趋势。

Feb, 2023

通过在多个地理空间子领域进行测试，发现在某些文本模态的地理任务中，基于任务不可知的大型语言模型可以在零样本或少样本学习设置中胜过基于任务特定的全监督模型，但是在其他涉及多种数据模态的地理任务上，现有的基础模型仍然不如基于任务特定的模型表现。因此，通过处理不同的地理数据模态，建议可能性使用能够通过地理对齐来推理各种类型的地理数据的多模态基础模型来应对地理人工智能挑战的多模态特征。

Apr, 2023

利用相对较小规模（10亿参数）的大型语言模型和相对较小的人工数据集精细调整，为OpenStreetMap数据提供了语言接口，以查询城市区域的属性，并探索人工智能适应性和生成能力在这一领域的早期应用潜力。

Sep, 2023

机器学习在智能城市服务的发展中起着至关重要的作用，最近出现的基础模型，如ChatGPT，在机器学习和人工智能领域标志着一个革命性的转变。本文首先介绍了城市基础模型的概念，并讨论了构建它们所面临的独特挑战。然后，我们提出了一个以数据为中心的分类法，将当前的城市基础模型相关工作按照城市数据的模态和类型进行分类。此外，为了促进这一领域的发展，我们提出了一个有前景的框架，旨在解决已确定的挑战。此外，我们探讨了城市基础模型的应用领域，详细说明了它们在各种城市背景下的潜在影响。

Jan, 2024

基于大型语言模型和空间-时间依赖编码器的UrbanGPT在数据稀缺情况下实现了更全面、准确的空间-时间预测任务，显示了在零样本场景中建立大型语言模型的潜力。

Feb, 2024

本文全面审查了视觉-语言地理基础模型（VLGFMs），总结和分析了该领域的最新发展，包括VLGFMs的背景、动机、核心技术和应用，以及未来研究方向的洞察、问题和讨论。

Jun, 2024

CityGPT是一种用于增强大型语言模型在理解城市空间和解决相关城市任务方面能力的系统框架，通过在模型中构建城市规模的世界模型，并使用包含城市知识的多样化指令调整数据集CityInstruction来进行模型微调，实现对城市空间的理解和空间推理能力的有效增强。

Jun, 2024

本研究针对现有交通预测模型在零-shot预测和长期准确性方面的不足，提出了一种新型基础模型OpenCity。该模型结合了Transformer架构和图神经网络，能够有效捕捉和归一化多样交通数据中的时空模式，具有卓越的零-shot预测性能，促进了城市交通预测的普适性和适应性。

Aug, 2024

该研究解决了志愿地理信息（VGI）中城市建筑数据质量不均的问题，通过多源地理数据转化方案生成建筑轮廓数据。提出的ControlCity方法基于多模态扩散模型，利用文本-图像模型与改进的ControlNet整合数据，成功模拟真实城市建筑模式，展现了显著的准确性提升。

Sep, 2024