Exploring Large Language Models for Human Mobility Prediction under Public Events

要約

コンサートやスポーツの試合などの公共のイベントは、大勢の観客を集める大きな魅力となり、旅行需要の不規則な急増につながります。
したがって、公共イベントにおける人の移動量を正確に予測することは、イベント計画や交通管理、群集管理にとって非常に重要です。
公共イベントに関する豊富なテキスト説明は一般にオンライン ソースから入手できますが、そのような情報を統計モデルや機械学習モデルでエンコードするのは困難です。
既存の方法は一般に、テキスト情報の組み込み、データの希薄性の処理、または予測の理論的根拠の提供に制限があります。
これらの課題に対処するために、大規模言語モデル (LLM) に基づく、テキスト データを処理し、最小限の例から学習し、人間が読める説明を生成する前例のない機能を活用した、公共イベント時の人間の移動予測フレームワーク (LLM-MPE) を導入します。
。
具体的には、LLM-MPE は、まずオンライン ソースからの生の非構造化イベント記述を標準化された形式に変換し、次に履歴モビリティ データを通常のコンポーネントとイベント関連コンポーネントにセグメント化します。
促進戦略は、過去のモビリティとイベントの特徴を考慮して需要予測を作成および合理化するよう LLM に指示するように設計されています。
公開されているイベント情報とタクシー乗車データに基づいて、ニューヨーク市のバークレイズ センターのケーススタディが行われます。
結果は、LLM-MPE が、特にイベント当日において、テキスト データにより精度が大幅に向上し、従来のモデルを上回っていることを示しています。
さらに、LLM-MPE は、予測に対する解釈可能な洞察を提供します。
LLM には大きな可能性があるにもかかわらず、大規模な人間の移動分析における LLM の広範な採用の障壁となっている誤った情報や高コストなどの重要な課題も特定しています。

要約(オリジナル)

Public events, such as concerts and sports games, can be major attractors for large crowds, leading to irregular surges in travel demand. Accurate human mobility prediction for public events is thus crucial for event planning as well as traffic or crowd management. While rich textual descriptions about public events are commonly available from online sources, it is challenging to encode such information in statistical or machine learning models. Existing methods are generally limited in incorporating textual information, handling data sparsity, or providing rationales for their predictions. To address these challenges, we introduce a framework for human mobility prediction under public events (LLM-MPE) based on Large Language Models (LLMs), leveraging their unprecedented ability to process textual data, learn from minimal examples, and generate human-readable explanations. Specifically, LLM-MPE first transforms raw, unstructured event descriptions from online sources into a standardized format, and then segments historical mobility data into regular and event-related components. A prompting strategy is designed to direct LLMs in making and rationalizing demand predictions considering historical mobility and event features. A case study is conducted for Barclays Center in New York City, based on publicly available event information and taxi trip data. Results show that LLM-MPE surpasses traditional models, particularly on event days, with textual data significantly enhancing its accuracy. Furthermore, LLM-MPE offers interpretable insights into its predictions. Despite the great potential of LLMs, we also identify key challenges including misinformation and high costs that remain barriers to their broader adoption in large-scale human mobility analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google