論文の概要: Exploring Large Language Models for Human Mobility Prediction under
Public Events
- arxiv url: http://arxiv.org/abs/2311.17351v1
- Date: Wed, 29 Nov 2023 04:25:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 22:42:33.674534
- Title: Exploring Large Language Models for Human Mobility Prediction under
Public Events
- Title(参考訳): 公共イベントにおける人体移動予測のための大規模言語モデルの検討
- Authors: Yuebing Liang, Yichao Liu, Xiaohan Wang, Zhan Zhao
- Abstract要約: 我々は,Large Language Models(LLMs)に基づく公共イベントにおける人体移動予測の枠組みを導入する。
LLMはテキストデータを処理し、最小限の例から学び、人間が読める説明を生成する。
ニューヨーク市のバークレイズセンターで、公開イベント情報とタクシー旅行データに基づいてケーススタディが実施されている。
- 参考スコア(独自算出の注目度): 25.903243511465092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Public events, such as concerts and sports games, can be major attractors for
large crowds, leading to irregular surges in travel demand. Accurate human
mobility prediction for public events is thus crucial for event planning as
well as traffic or crowd management. While rich textual descriptions about
public events are commonly available from online sources, it is challenging to
encode such information in statistical or machine learning models. Existing
methods are generally limited in incorporating textual information, handling
data sparsity, or providing rationales for their predictions. To address these
challenges, we introduce a framework for human mobility prediction under public
events (LLM-MPE) based on Large Language Models (LLMs), leveraging their
unprecedented ability to process textual data, learn from minimal examples, and
generate human-readable explanations. Specifically, LLM-MPE first transforms
raw, unstructured event descriptions from online sources into a standardized
format, and then segments historical mobility data into regular and
event-related components. A prompting strategy is designed to direct LLMs in
making and rationalizing demand predictions considering historical mobility and
event features. A case study is conducted for Barclays Center in New York City,
based on publicly available event information and taxi trip data. Results show
that LLM-MPE surpasses traditional models, particularly on event days, with
textual data significantly enhancing its accuracy. Furthermore, LLM-MPE offers
interpretable insights into its predictions. Despite the great potential of
LLMs, we also identify key challenges including misinformation and high costs
that remain barriers to their broader adoption in large-scale human mobility
analysis.
- Abstract(参考訳): コンサートやスポーツゲームなどの公共イベントは、大観衆にとって大きな魅力となり、旅行需要が不規則に急増する。
したがって、公共イベントの正確な移動予測は、交通や群衆の管理だけでなく、イベント計画にも不可欠である。
公開イベントに関するリッチなテキスト記述は、オンラインソースから一般的に利用できるが、統計モデルや機械学習モデルでそのような情報をエンコードすることは困難である。
既存の方法は通常、テキスト情報の導入、データのスパーシティの処理、予測の根拠の提供に制限がある。
これらの課題に対処するため,我々は,Large Language Models (LLMs) に基づく公開イベント(LLM-MPE)下での人体移動予測フレームワークを導入し,テキストデータ処理,最小例からの学習,人間可読な説明を生成する。
具体的には、llm-mpeはまず、オンラインソースから生の非構造化イベント記述を標準化されたフォーマットに変換し、その後、過去のモビリティデータを正規およびイベント関連コンポーネントに分割する。
歴史的モビリティとイベントの特徴を考慮した需要予測の作成と合理化において, LLM を指示するプロンプト戦略が設計されている。
ニューヨーク市のバークレイズセンターで、公開イベント情報とタクシー旅行データに基づいてケーススタディが実施されている。
その結果,LLM-MPEは従来のモデル,特にイベントの日に,テキストデータにより精度が著しく向上していることがわかった。
さらに、LLM-MPEは予測に対する解釈可能な洞察を提供する。
LLMの大きな可能性にもかかわらず、大規模な人体移動分析において広く採用される上で障壁となる、誤情報や高コストといった重要な課題も認識している。
関連論文リスト
- TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language
Models [27.306180426294784]
大規模言語モデル(LLM)を利用した新しい交通予測フレームワークであるTPLLMを紹介する。
本フレームワークでは,Lonal Neural Networks (LoCNNs) に基づくシーケンス埋め込み層と,Graph Contemporalal Networks (GCNs) に基づくグラフ埋め込み層を構築し,シーケンスの特徴と空間的特徴を抽出する。
実世界の2つのデータセットの実験では、フルサンプルと数ショットの予測シナリオの両方で、満足できるパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-03-04T17:08:57Z) - Learning to Generate Explainable Stock Predictions using Self-Reflective
Large Language Models [54.21695754082441]
説明可能なストック予測を生成するために,LLM(Large Language Models)を教えるフレームワークを提案する。
反射剤は自己推論によって過去の株価の動きを説明する方法を学ぶ一方、PPOトレーナーは最も可能性の高い説明を生成するためにモデルを訓練する。
我々のフレームワークは従来のディープラーニング法とLLM法の両方を予測精度とマシューズ相関係数で上回ることができる。
論文 参考訳(メタデータ) (2024-02-06T03:18:58Z) - Large Language Models for Travel Behavior Prediction [8.069026355648049]
我々は,大規模言語モデルを用いて,データに基づくパラメータ学習を必要とせずに,迅速なエンジニアリングで旅行行動を予測することを提案する。
具体的には,1)タスク記述,2)旅行特性,3)個人属性,および4)ドメイン知識による思考のガイドなど,私たちのプロンプトを慎重に設計する。
その結果、トレーニングサンプルは提供されていないが、LLMに基づく予測は競争精度が高く、F1スコアは標準教師あり学習法であることがわかった。
論文 参考訳(メタデータ) (2023-11-30T04:35:55Z) - Bias and Fairness in Large Language Models: A Survey [76.65471160523444]
本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。
まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。
次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
論文 参考訳(メタデータ) (2023-09-02T00:32:55Z) - Where Would I Go Next? Large Language Models as Human Mobility
Predictors [21.100313868232995]
人間の移動データを解析するためのLLMの言語理解と推論能力を活用する新しい手法 LLM-Mob を提案する。
本手法の総合評価により,LLM-Mobは正確かつ解釈可能な予測を行うのに優れていることが明らかとなった。
論文 参考訳(メタデータ) (2023-08-29T10:24:23Z) - A Survey of Large Language Models [81.06947636926638]
言語モデリングは、過去20年間、言語理解と生成のために広く研究されてきた。
近年,大規模コーパス上でのトランスフォーマーモデルの事前学習により,事前学習言語モデル (PLM) が提案されている。
パラメータスケールの違いを識別するために、研究コミュニティは大規模言語モデル (LLM) という用語を提唱した。
論文 参考訳(メタデータ) (2023-03-31T17:28:46Z) - Forecasting Future World Events with Neural Networks [68.43460909545063]
Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。
ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。
予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
論文 参考訳(メタデータ) (2022-06-30T17:59:14Z) - A Survey on Societal Event Forecasting with Deep Learning [12.343312954353639]
我々は、社会的出来事の2つの領域(textitcivil unrestとtextitcrime)に焦点を当てる。
まず、機械学習予測タスクとしてイベント予測問題を定式化する方法を紹介し、次に、データリソース、従来の手法、そしてこれらの問題に対する最近のディープラーニングモデルの開発について要約する。
論文 参考訳(メタデータ) (2021-12-12T22:57:22Z) - Survey: Leakage and Privacy at Inference Time [59.957056214792665]
公開されている機械学習(ML)モデルからのデータの漏洩は、ますます重要になっている分野である。
公開モデルの最も可能性の高いシナリオとして、推論時のリークに注目します。
本稿では,不随意・不随意の漏洩,防御,そして現在利用可能な評価指標と応用にまたがる分類法を提案する。
論文 参考訳(メタデータ) (2021-07-04T12:59:16Z) - Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。
有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。
我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
論文 参考訳(メタデータ) (2020-11-02T02:03:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。