Feb, 2024

超越模仿：使用大型语言模型进行基于上下文的推理生成人类移动行为

PDF
TL;DR人类移动行为与交通拥堵和流行病控制等重要社会问题密切相关。然而，收集移动数据可能代价高昂且存在严重的隐私问题，迫切需要高质量的生成性移动模型。本文提出了一种基于常识推理的移动生成方法，设计了一种新颖的 MobiGeaR 框架，通过少样本上下文学习和分解协调机制来有效地捕捉驱动移动行为的一致意图，并在提升生成的语义感知性和降低训练样本大小的同时取得了最新性能。
发现论文，激发创造
  • 大型语言模型作为人类移动预测器

    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

  • 大型语言模型作为城市居民：用于个人移动生成的 LLM 代理框架

    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

  • MobilityGPT：基於 GPT 模型的增強人類移動行為建模

    通过提出地理感知的生成模型 MobilityGPT，该研究利用生成预训练变压器（GPT）将人类移动性建模为一个自回归生成任务，并采用基于引力的抽样方法和道路连接矩阵来确保生成的轨迹符合地理空间限制，在减轻挑战的同时生成高质量、接近真实数据的移动轨迹。

    Feb, 2024

  • 揭示人类迁移行为：利用大型语言模型推断轨迹的语义

    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

  • 深度活动模型：一种人类移动模式综合的生成方法

    利用普遍和开源数据开发了一种新的生成式深度学习方法来进行人类流动性建模和合成，并能够通过本地数据进行微调，实现在不同地区对流动模式的适应和准确表示。该模型在美国的全国数据集上进行评估，在生成紧随真实分布的活动链条方面表现出优异的性能。对来自加利福尼亚、华盛顿和墨西哥城的州或城市特定数据的进一步测试证实了其可转移性。这种创新的方法在促进流动性建模研究方面具有巨大的潜力，特别是在为下游基于活动的流动性模拟模型生成人类活动链条的输入和为城市规划师和政策制定者提供增强工具方面。

    May, 2024

  • 大型语言模型用于空间轨迹模式挖掘

    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

  • 使用生成对抗网络生成合成移动网络

    本文介绍了一种生成城市空间网络的模型：MoGAN，该模型基于生成对抗网络（GANs）算法，通过公共自行车和出租车运动数据集的实验证明 MoGAN 生成的网络真实性优于传统的 Gravity 和 Radiation 模型，可用于数据增强、模拟分析等领域。

    Feb, 2022

  • 基于自然语言的 LLMs 上下文建模与推理：教程

    利用大型语言模型，我们展示了利用文本、提示和自主代理让模型进行上下文建模和推理的计算范式，即基于大型语言模型驱动的上下文感知计算。

    Sep, 2023

  • 大型语言模型驱动的上下文感知运动预测

    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

  • 基于协作生成代理的 LLM 任务导向协调中人类行为互动模拟

    应用大型语言模型（LLMs）在各种任务和社会模拟中取得了显著进展，但它们在任务导向的社会背景中的协调能力尚未得到充分探索。为了弥合这一差距，我们引入了协作生成代理，为基于 LLMs 的代理赋予一致的行为模式和解决任务的能力。我们将这些代理置于一个模拟的招聘会环境中进行案例研究，以审查它们的协调能力。我们提出了一个新颖的框架，赋予协作生成代理人类般的推理能力和专业技能。我们的评估结果表明，这些代理显示出有希望的性能。然而，我们也发现了限制，阻碍了它们在更复杂的协调任务中的效果。我们的工作对于 LLMs 在任务导向的社会模拟中的作用和发展提供了有价值的见解。

    Oct, 2023