Semantic Trajectory Data Mining with LLM-Informed POI Classification

人类出行轨迹挖掘对于交通运输系统、路线优化、交通管理和人类出行模式研究至关重要。以前的基于规则的方法没有整合语义信息，效率和准确性都存在局限性。从兴趣点（POI）数据推断出的活动类型等语义信息可以显著提高轨迹挖掘的质量。然而，将这些洞察力整合起来是具有挑战性的，因为许多POI具有不完整的特征信息，而当前的基于学习的POI算法需要数据集的完整性来进行分类。在本文中，我们介绍了一种新的人类出行轨迹挖掘流程。我们的方法首先利用大型语言模型（LLMs）的强大推理和理解能力对POI进行活动类型注释，然后使用基于贝叶斯的算法推断轨迹中每个停留点的活动。在使用OpenStreetMap（OSM）POI数据集进行评估时，我们的方法在POI分类中实现了93.4%的准确性和96.1%的F-1分数，在活动推断方面实现了91.7%的准确性和92.3%的F-1分数。

本论文旨在解决人类出行轨迹挖掘中缺乏语义信息的问题，提出了一种新的方法来整合地点信息和语义信息，以提高轨迹挖掘的准确性和效率。

本论文的关键思路是使用大语言模型对地点进行语义注释，并使用基于贝叶斯的算法推断轨迹中每个停留点的活动类型。

本论文的方法在OpenStreetMap（OSM）POI数据集上进行了评估，取得了93.4％的准确度和96.1％的F-1分数，在活动推断方面取得了91.7％的准确度和92.3％的F-1分数。此外，本论文的方法还解决了当前学习型POI算法在数据完整性方面的局限性，并且可以通过大型语言模型来注释地点信息。

相关研究包括基于规则的方法和学习型POI算法。