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

Background

探讨LLM在人类移动性预测任务上的潜力，引入介绍了一种新方法：LLMMob。并提出historical stay和context stay来描述人类运动的长期和短期依赖性。

Introduction

LLM在NLP任务中表现出卓越的性能，但不能直接用于预测位置，因此研究人员提出一种名为LLM-Mob的框架。实验证明，LLM-Mob表现出广阔前景。

Methodology

1. 将用户轨迹预处理为一系列格式如下的跟踪点(包含一对空间坐标和一个时间戳)：(st, dow, dur, pid) 其中：st：停留起始时间 dow：星期几 dur：停留时间 pid：停留地点唯一标识符
2. • 数据格式化：历史停留/近期停留
   • 时间感知预测
3. 上下文提示 Prompt模板如下：

Experiments

评估指标：

1. 准确性：Acc@k：前k个预测中真实位置出现的次数比例，本文中为Acc@1，Acc@5，Acc@10
2. 加权F1：刻画位置重要性
3. nDCG@k：公式如下： \(nDCG@k = \frac{DCG_k}{IDCG_k} \tag{1}\)

\[DCG_k = \sum_{j=1}^{k} \frac{r_j}{\log_2(j+1)} \tag{2}\]

Ablation Study

构建三个变体：NoHistory、NoContext、NoTime