Deciphering Human Mobility: Inferring Semantics of Trajectories with Large Language Models

理解人类移动模式对于各种应用至关重要，从城市规划到公共安全。个人轨迹数据，如手机定位数据，虽然富含时空信息，但通常缺乏语义细节，限制了它在深入移动性分析方面的实用性。现有方法可以从这些数据中推断基本的例行活动序列，但缺乏理解复杂的人类行为和用户特征的深度。此外，它们在依赖于难以获得的辅助数据集（如旅行调查）方面存在困难。为了解决这些限制，本文通过三个关键维度定义了轨迹语义推断：用户职业类别、活动序列和轨迹描述，并提出了Trajectory Semantic Inference with Large Language Models (TSI-LLM)框架，利用LLMs全面深入地推断轨迹语义。我们采用时空属性增强的数据格式（STFormat）并设计了一个上下文包容的提示，使LLMs能够更有效地解释和推断轨迹数据的语义。对真实世界的轨迹数据集进行的实验验证证明了TSI-LLM在解密复杂人类移动模式方面的有效性。本研究探讨了LLMs在增强轨迹数据的语义分析方面的潜力，为更复杂和可访问的人类移动性研究铺平了道路。

本文旨在通过大语言模型（LLM）推断出移动轨迹数据的语义信息，以深入理解人类移动模式。当前现有的方法对于复杂的人类行为和用户特征缺乏深度理解，而且依赖于难以获得的辅助数据集。

本文提出了基于LLM的轨迹语义推断框架TSI-LLM，通过用户职业类别、活动序列和轨迹描述三个维度来定义轨迹语义推断。采用增强的数据格式化方法和设计上下文包含的提示，使LLM能够更有效地解释和推断轨迹数据的语义。

本文在真实轨迹数据集上进行了实验验证，并展示了TSI-LLM在解密复杂人类移动模式方面的有效性。本文探讨了LLM在增强轨迹数据语义分析方面的潜力，为更复杂和易于访问的人类移动研究铺平了道路。

最近的相关研究包括：1. Understanding Individual Mobility Patterns from Urban Sensing Data: A Survey of Methods and Applications；2. Semantic Trajectory Mining for Urban Mobility Analysis: An Overview。