AgentMove：基于大型语言模型的主动框架进行人类移动性预测
内容提要
本文介绍了多种基于Transformer和大型语言模型的移动预测方法，如MobTCast、CSLSL和LLM-Mob。这些模型通过考虑时间、社交和地理等上下文因素，提高了兴趣点预测的准确性和效率，并在真实数据集上表现良好。研究强调理解人类行为意图的重要性，并提出了新的框架以改善移动意图推断。
延伸解读
从模式预测到意图理解
文章梳理的多个模型显示，人类移动性预测正从单纯依赖时空模式转向理解行为意图。早期MobTCast和CSLSL侧重上下文与因果关系，而LLM-Mob和LIMP则引入语言模型来推断隐含意图。这种转变意味着预测系统不再只回答“下一步去哪”，而是尝试解释“为什么去”，为更可解释的预测提供了新方向。
语言模型如何接入移动数据
AuxMobLCast将数值时间序列转换为句子，LLM-Mob定义历史停留和上下文停留，LIMP采用分析-抽象-推断流程。这些方法共同点是把移动记录转化为语言模型可处理的文本，从而利用其推理能力。但转换过程可能丢失精细的时空信息，且依赖提示设计，实际部署时需权衡可解释性与预测精度。
数字孪生与生成式方法的互补
基于数字孪生的两阶段方法侧重粗粒度趋势与细粒度检索，生成式深度学习则能合成活动链条并跨地区微调。两者分别强调预测与生成，但都依赖真实GPS或本地数据。文章显示，这些方法在关东、美国全国及加州等地测试中表现良好，说明数据覆盖和区域适配是影响效果的关键因素。
评估与扩展的潜在挑战
文章提到LLM-Mob在准确性和可解释性上表现突出，LIMP展示出大规模扩展性，但多数评估基于特定数据集。不同城市、不同数据粒度下，模型性能可能波动。此外，将LLM作为零样本预测器虽有效，却可能受限于训练数据中的偏差。读者应关注模型在跨区域、跨场景时的泛化能力，而非仅看单一数据集结果。
Q&A
MobTCast模型是如何提高兴趣点预测准确性的？
MobTCast模型通过考虑时间、语义、社交和地理位置等上下文因素，并引入自我注意机制和一致性损失来提升预测性能。
CSLSL模型在移动预测中有什么创新之处？
CSLSL模型通过空间约束和多任务学习，隐式建模个体出行决策，增强了下一个地点预测的准确性。
LLM-Mob方法如何捕捉人类移动性中的依赖关系？
LLM-Mob方法引入历史停留和上下文停留的概念，以捕捉长期和短期依赖，并实现时间感知预测。
AuxMobLCast流程在移动性预测中有什么作用？
AuxMobLCast流程通过将数值时间序列转换为句子，结合辅助POI分类和编码器-解码器架构，展示了在移动性预测中的有效性。
LIMP框架是如何改善移动意图推断的？
LIMP框架通过分析-抽象-推断工作流程结合大型语言模型，实现了更准确的移动意图推断和位置预测。
基于数字孪生的方法在移动预测中有什么优势？
基于数字孪生的方法将粗粒度和细粒度预测分为两个阶段，利用真实GPS数据集实现了良好的预测准确度和时间效率。
