利用LLM跨城學習預測極端事件下人類移動
arXiv - Computers and SocietyYinzhou Tang, Huandong Wang, Xiaochen Fan, Yong Li
提出X-MLM框架，結合LLM與跨城知識，提升極端情境下人類移動預測精度
AI 幫你先抓重點
AI 重點 1
跨城知識轉移機制：將不同城市極端事件下的移動模式共享，提升模型泛化能力
滑鼠懸停看 AI 判斷理由
此機制能將已學習的極端事件移動模式轉移至資料不足的新城市，減少對本地歷史數據的依賴，提升模型在新環境中的適應性與準確度。
AI 重點 2
LLM驅動的意圖精煉流程：利用大型語言模型對初步意圖進行語義校正，捕捉極端情境下的微妙行為變化
滑鼠懸停看 AI 判斷理由
LLM能理解並調整初始意圖中的語義細節，特別是在極端情境下人類行為可能出現的非線性變化，從而顯著提升預測的真實性與可靠性。
核心研究發現
- 1
X-MLM利用檢索增強式意圖預測器(RAG)先預測移動意圖，再由LLM精煉，顯著提升意圖準確率。
- 2
透過跨城知識轉移，X-MLM能將不同城市在相似極端事件下的移動模式學習共享，降低單城模型的資料需求。
- 3
實驗顯示，X-MLM在Acc@1上提升32.8%，F1-score提升35%，遠超傳統深度預測基線。
- 4
框架將意圖映射至具體位置的意圖調節位置預測器，實現從抽象意圖到實際座標的無縫轉換。
- 5
代碼公開於GitHub，促進研究社群快速驗證與擴充，為災害預警與資源配置提供可落地工具。
對教育工作者的啟發
對於城市規劃與災害管理工作者而言，X-MLM提供了一套可直接嵌入現有預測系統的框架，能在缺乏歷史極端事件資料的城市快速建立預測模型。其跨城知識轉移機制允許利用鄰近城市的移動模式，減少對本地數據的依賴；LLM精煉流程則能捕捉人們在極端情境下的細微行為變化，提升預測準確度。實務上，工作者可先收集目標城市的少量極端事件行動記錄，透過X-MLM進行意圖預測與位置映射，快速生成移動熱點圖，進而優化救援資源配置與疏散路線設計。
原始文獻資訊
- 英文標題：
- Predicting Human Mobility during Extreme Events via LLM-Enhanced Cross-City Learning
- 作者：
- Yinzhou Tang, Huandong Wang, Xiaochen Fan, Yong Li
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。