Large Language Models are Zero-Shot Next Location Predictors

要約

個人が将来訪問する場所を予測することは、病気の蔓延や汚染の削減などの多くの社会問題を解決するために重要です。
ただし、次の位置の予測には大量の個人レベルの情報が必要ですが、一部のシナリオ (コールド スタートなど) では情報が不足しているか、利用できない可能性があります。
大規模言語モデル (LLM) は優れた一般化機能と推論機能を示し、地理的知識が豊富であるため、これらのモデルがゼロショットの次の場所の予測子として機能すると考えられます。
3 つの現実世界のモビリティ データセットで 15 以上の LLM をテストしたところ、LLM は最大 36.2% の精度を得ることができ、人間のモビリティに特化して設計された他のモデルと比較した場合、ほぼ 640% という大幅な相対的改善であることがわかりました。
また、データの汚染についてテストし、LLM を次の位置の予測のためのテキストベースの説明者として使用する可能性を調査し、モデルのサイズに関係なく、LLM が決定を説明できることを示しました。

要約(オリジナル)

Predicting the locations an individual will visit in the future is crucial for solving many societal issues like disease diffusion and reduction of pollution. However, next-location predictors require a significant amount of individual-level information that may be scarce or unavailable in some scenarios (e.g., cold-start). Large Language Models (LLMs) have shown good generalization and reasoning capabilities and are rich in geographical knowledge, allowing us to believe that these models can act as zero-shot next-location predictors. We tested more than 15 LLMs on three real-world mobility datasets and we found that LLMs can obtain accuracies up to 36.2%, a significant relative improvement of almost 640% when compared to other models specifically designed for human mobility. We also test for data contamination and explored the possibility of using LLMs as text-based explainers for next-location prediction, showing that, regardless of the model size, LLMs can explain their decision.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google