A Short Survey of Human Mobility Prediction in Epidemic Modeling from Transformers to LLMs

本文全面概述了近期利用机器学习技术，特别是Transformer模型，预测流行病期间人类活动模式的最新进展。了解人们在流行病期间的移动方式对于建立疾病传播模型和制定有效的应对策略至关重要。预测人口流动对于提供流行病学模型和促进公共卫生紧急情况下的有效应对策略至关重要。预测活动模式可以使当局更好地预测疾病的地理和时间传播，更有效地分配资源，并实施有针对性的干预措施。我们回顾了一系列方法，利用预训练语言模型（如BERT）和专门针对移动预测任务的大型语言模型（LLMs）。这些模型已经表现出在文本数据中捕捉复杂的时空依赖性和上下文模式的显著潜力。

本论文旨在综述近期利用机器学习技术，尤其是Transformer模型，预测流行病期间人类移动模式的最新进展。研究人员试图理解人们在流行病期间的移动方式，以便对疾病传播进行建模并制定有效的应对策略。

论文提出了一种利用预训练语言模型（如BERT）和专门针对移动预测任务的大型语言模型（LLMs）的方法，这些模型在捕捉文本数据中的复杂时空依赖关系和上下文模式方面具有显著的潜力。

论文回顾了各种方法，包括使用预训练语言模型和专门设计的大型语言模型，这些模型在预测人类移动模式方面表现出色。实验使用了多个数据集，作者提供了开源代码。值得进一步研究的工作包括更好地捕捉人类移动的动态性和预测未来的移动趋势。

最近的相关研究包括：1.《利用深度学习预测人类移动性的方法》；2.《基于机器学习的流行病传播建模》；3.《使用深度学习预测流行病期间的人口流动》。