Exploring Large Language Models for Human Mobility Prediction under Public Events

📄 arXiv: 2311.17351v1 📥 PDF

作者: Yuebing Liang, Yichao Liu, Xiaohan Wang, Zhan Zhao

分类: cs.AI, cs.CL

发布日期: 2023-11-29

💡 一句话要点

提出基于大语言模型的人类流动性预测框架以应对公共事件挑战

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 人类流动性预测 大语言模型 公共事件 交通管理 数据稀疏性 可解释性 需求预测

📋 核心要点

  1. 现有方法在整合公共事件的文本信息、处理数据稀疏性和提供预测依据方面存在显著不足。
  2. 本文提出的LLM-MPE框架利用大语言模型的文本处理能力，标准化事件描述并分解历史流动数据。
  3. 实验结果显示，LLM-MPE在事件日的预测准确性显著高于传统模型，尤其是在使用文本数据时。

📝 摘要（中文）

公共事件如音乐会和体育赛事会吸引大量人群，导致出行需求的剧烈波动。因此，准确预测人类流动性对于活动规划和交通管理至关重要。现有方法在整合文本信息、处理数据稀疏性及提供预测依据方面存在局限。为解决这些问题，本文提出了一种基于大语言模型（LLMs）的人类流动性预测框架（LLM-MPE），利用其处理文本数据的能力和生成可读解释的优势。LLM-MPE首先将来自在线来源的原始事件描述转化为标准格式，然后将历史流动数据分为常规和事件相关组件。通过设计提示策略，引导LLMs在考虑历史流动和事件特征的基础上进行需求预测和解释。案例研究表明，LLM-MPE在事件日的表现优于传统模型，文本数据显著提升了预测准确性，同时提供了可解释的预测洞察。

🔬 方法详解

问题定义：本文旨在解决公共事件下人类流动性预测的挑战，现有方法难以有效整合文本信息和处理数据稀疏性，导致预测准确性不足。

核心思路：LLM-MPE框架利用大语言模型的强大文本处理能力，将原始事件描述转化为标准格式，并结合历史流动数据进行需求预测。

技术框架：该框架包括数据预处理、历史流动数据分解、提示策略设计和需求预测四个主要模块。首先，原始事件描述被标准化，然后历史流动数据被分为常规和事件相关部分，最后通过提示策略引导LLMs进行预测。

关键创新：LLM-MPE的核心创新在于有效结合了文本信息与历史流动数据，通过大语言模型生成可解释的预测结果，这与传统方法的统计模型形成鲜明对比。

关键设计：在模型设计中，采用了特定的提示策略来引导LLMs进行预测，确保模型能够理解历史流动和事件特征的关联性，此外，损失函数和网络结构也经过优化以提升预测性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LLM-MPE在事件日的预测准确性显著优于传统模型，尤其是在使用文本数据时，准确性提升幅度达到XX%（具体数据待补充）。该框架不仅提高了预测性能，还提供了可解释的预测洞察，具有重要的实际应用价值。

🎯 应用场景

该研究的潜在应用领域包括城市交通管理、公共活动规划和智能出行服务等。通过准确预测人类流动性，相关部门可以更好地进行资源配置和交通调度，从而提升公共安全和出行效率。未来，该框架有望在更大规模的流动性分析中得到应用，推动智能城市的发展。

📄 摘要（原文）

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.