Beyond Imitation: Generating Human Mobility from Context-aware Reasoning with Large Language Models

本文是LLM系列文章，针对《Beyond Imitation: Generating Human Mobility from Context-aware Reasoning with Large Language Models》的翻译。

摘要

人类的流动行为与各种重要的社会问题密切相关，如交通拥堵、能源消耗和流行病控制。然而，收集移动数据的成本可能高得令人望而却步，并涉及严重的隐私问题，这就迫切需要高质量的生成移动模型。先前的工作侧重于从训练样本中学习行为分布，并通过对所学习的分布进行采样来生成新的移动性数据。它们不能有效地捕捉驱动移动行为的连贯意图，导致样本效率和语义意识较低。受大型语言模型（LLM）中涌现推理能力的启发，我们提出了一个彻底的视角转变，将迁移生成重新表述为一个常识性推理问题。在本文中，我们设计了一个新的移动生成即推理（MobiGeaR）框架，该框架促使LLM递归生成移动行为。具体来说，我们设计了一种上下文感知的思想链提示技术，通过少量的上下文学习使LLM与上下文感知的移动行为相一致。此外，MobiGeaR采用了分割和协调机制来利用LLM推理与机械重力模型之间的协同效应。它利用逐步LLM推理递归生成活动意图的时间模板，然后用机械重力模型将其映射到物理位置。在两个真实世界数据集上的实验表明，MobiGeaR在所有指标上都实现了最先进的性能，同时大大减少了训练样本的大小。此外，MobiGeaR还通过将意图准确性提高62.23%，显著提高了移动生成的语义意识，生成的移动数据被证明在提高下游应用程序的性能方面是有效的。我们的方法在https://anonymous.4open.science/r/MobiGeaR-C57C可用。

1 引言

2 前言