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

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

利用大型语言模型进行旅行行为预测，无需数据参数学习，准确性可与传统的监督学习方法相媲美，并能输出预测的原因，但存在逻辑矛盾或幻觉的情况。

Nov, 2023

通过利用大型语言模型（LLMs）增强全局交通语境理解来提高动作预测任务的准确性，并考虑到 LLMs 的成本，我们提出了一种成本效益的部署策略：通过拥有 0.7% 的 LLM 增强数据集来扩大动作预测任务的准确性。

Mar, 2024

通过引入一种基于 Prompt Learning 的大型语言模型 (LLM) 框架，本文改进了个体选择预测的准确性，并提供了明确的解释。在旅行选择分析领域，LLM 显著优于深度学习方法和离散选择模型，同时提供了个体层面的可理解和明确的解释。

Jun, 2024

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

该论文介绍了一种预测足球比赛中下一个事件的方法，该方法受到大型语言模型的启发，通过深度学习在公开可用的 WyScout 数据集上提供了新颖的技术，显著改进了以前的大事件模型在关键领域（如下一个事件类型的预测准确性）的性能，同时提供了用于多方面分析的模拟背景，奠定了多元分析管道的基础框架。

Feb, 2024

这篇论文介绍了一种使用大型语言模型（LLM）融入到代理框架中的创新方法，用于灵活高效的个性化移动生成，并重点解决了将 LLMs 与现实世界的城市移动数据对接的三个研究问题：将 LLMs 与丰富的活动数据对接、开发可靠的活动生成策略以及探索 LLMs 在城市移动中的应用。

Feb, 2024