从推特到推理者：利用大型语言模型理解出行方式和情感

本文提出了一个结合社交媒体数据与自然语言处理的交通预测框架，旨在建立交通强度与Twitter数据之间的相关性。

研究利用传统交通客户关系管理反馈作为训练数据，开发出一种能够将开放性文本反馈分类到交通特定主题的大规模语言模型，准确率达到90%。

该框架通过社交媒体数据分析用户反馈，展示了在情感分析和用户体验评估方面的有效性，能够帮助交通系统识别问题并进行改进。

研究表明，利用大型语言模型进行旅行行为预测的准确性可与传统方法相媲美，同时能够输出预测原因，但可能存在逻辑矛盾。

分析纽约市推文的研究发现，性别、族裔和邻里交通等因素影响个人对交通可达性的认知，弱势群体可能因缺乏网络可访问性而难以表达交通问题。

通过引入基于Prompt Learning的大型语言模型框架，研究提高了个体选择预测的准确性，并提供了明确的解释，优于传统深度学习方法。

研究解决了传统情感分析在公共交通社交媒体信息处理中的不足，采用大语言模型与检索增强生成技术，显著提升了分析效率和响应能力。

提出的Mobility-LLM框架通过重新编程签到序列，增强了对移动数据中语义信息的提取和利用，推动了人类移动数据理解的进展。