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