Where Would I Go Next? Large Language Models as Human Mobility Predictors

要約

正確な人間の移動予測は、流行モデリング、輸送計画、緊急対応など、さまざまな領域にわたる多くの重要なアプリケーションを支えます。
モビリティ データの希薄性と人々の日常活動の確率的な性質により、人々の位置を正確に予測することは依然として課題です。
最近開発された大規模言語モデル (LLM) は、多数の言語関連タスクにわたって優れたパフォーマンスを実証していますが、人間の移動研究への適用性はまだ解明されていません。
このギャップに対処するために、この記事では人間の移動予測タスクにおける LLM の可能性を詳しく掘り下げます。
私たちは、人間の移動データを分析するために LLM の言語理解と推論能力を活用する、新しい手法 LLM-Mob を紹介します。
我々は、人間の移動における長期および短期の両方の依存関係を捕捉し、予測対象の時間情報を使用することで時間を意識した予測を可能にするために、歴史的滞在と文脈滞在の概念を提示します。
さらに、LLM がより正確な予測を生成できるようにするコンテキストを含むプロンプトを設計します。
私たちの手法の包括的な評価により、LLM-Mob が正確で解釈可能な予測を提供することに優れていることが明らかになり、人間の移動予測技術の進歩における LLM の未開発の可能性が強調されています。
私たちの研究は、複雑なドメイン固有のモデルの構築から、言語命令を通じて正確な予測を生み出す汎用 LLM の利用への移行という、人間のモビリティ モデリングにおける重要なパラダイム シフトを示すものであると考えています。
この作業のコードは https://github.com/xlwang233/LLM-Mob で入手できます。

要約(オリジナル)

Accurate human mobility prediction underpins many important applications across a variety of domains, including epidemic modelling, transport planning, and emergency responses. Due to the sparsity of mobility data and the stochastic nature of people’s daily activities, achieving precise predictions of people’s locations remains a challenge. While recently developed large language models (LLMs) have demonstrated superior performance across numerous language-related tasks, their applicability to human mobility studies remains unexplored. Addressing this gap, this article delves into the potential of LLMs for human mobility prediction tasks. We introduce a novel method, LLM-Mob, which leverages the language understanding and reasoning capabilities of LLMs for analysing human mobility data. We present concepts of historical stays and context stays to capture both long-term and short-term dependencies in human movement and enable time-aware prediction by using time information of the prediction target. Additionally, we design context-inclusive prompts that enable LLMs to generate more accurate predictions. Comprehensive evaluations of our method reveal that LLM-Mob excels in providing accurate and interpretable predictions, highlighting the untapped potential of LLMs in advancing human mobility prediction techniques. We posit that our research marks a significant paradigm shift in human mobility modelling, transitioning from building complex domain-specific models to harnessing general-purpose LLMs that yield accurate predictions through language instructions. The code for this work is available at https://github.com/xlwang233/LLM-Mob.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google