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 (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
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
提出了一种以大型语言模型为基础的交互规划框架,利用可满足性模理论和 SMT 求解器解决复杂组合优化问题,并在旅行规划领域取得高成功率。
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
利用贝叶斯统计模型,研究了大型语言模型(LLMs)在人类行为预测方面的类人特性,发现 LLMs 不能准确捕获人类数据的各项细节,但在聚合和条件水平的预测方面可以有效适配人类数据,显示出某些不同的方法可以使其得到充分的分布式预测。
这项研究介绍了一种基于 TP-LLM 的可解释交通预测方法,通过将多模态因素作为语言输入统一起来,避免了复杂的时空数据编程,证明了大语言模型在交通预测方面的潜力。
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。
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
该论文调查了大型语言模型的八个潜在问题,包括其预测能力的增强,不可预测的行为的出现,对外部世界的学习和使用表示,行为引导技术的不可靠性,内部工作方式的解释困难性,性能上界不是人类任务表现,不一定表达其创建者或网络文本编码的价值观,与 LLMs 的简短交往经常是误导性的。
Apr, 2023