Group Meeting | 2026-05-15
5 papers were presented at this group meeting.
Papers and research themes
| Paper and research focus | Presenter | Publication | Resources |
|---|---|---|---|
Where Would I Go Next? Large Language Models as Human Mobility Predictors该研究针对传统深度学习在人类移动预测中存在的“准确度瓶颈”与“缺乏可解释性”问题，首次探索了利用大语言模型（LLM）进行位置预测的潜力。提出了 LLM-Mob 框架，通过设计“历史停留”与“上下文停留”来捕获长短期依赖，并结合“时间感知”与“包容性提示词工程”，不仅实现了预测精度的SOTA，更为模型的预测结果提供了符合人类逻辑的自然语言可解释性。 |  @Yuhan Dong | arXiv 2024-01 | Not available |
Multiscale dynamic human mobility flow dataset in the U.S. during the COVID-19 epidemic本研究构建了一个覆盖美国普查区、县和州三个空间尺度、日度和周度时间分辨率的动态人口流动OD数据集，通过匿名手机数据与人口普查数据推断全人口流动，为疫情传播建模与公共卫生决策提供了高时空分辨率的数据支持。 |  @Zhiwei Huang | Scientific Data 2020-11 | Not available |
An open-source spec for Codex orchestration: SymphonyCodex 已经能干活，但人类无法高效管理大量 Codex session。 Symphony 的解决方案是：让每个任务自动获得独立 workspace 和 Codex agent，并通过 WORKFLOW.md、状态机、并发控制、重试和 proof-of-work，把 AI coding 从交互式工具升级为可运行的工程编排系统。 |  @Qiang Xia | 技术报告 2026-04 | Not available |
TrafficClaw: Generalizable Urban Traffic Control via Unified Physical Environment Modeling本文提出了一个名为TrafficClaw的框架，旨在解决城市交通控制中的系统级协调问题。它构建了一个统一的物理运行时环境，整合异构交通子系统，并设计了一个具备可执行时空推理和可复用过程记忆的LLM智能体。实验证明，TrafficClaw在未见过的交通场景、动态和任务配置中表现出强大的鲁棒性、可迁移性和系统感知能力。 |  @Yongsheng Lu | arXiv 2026-04 | Not available |
Leveraging Large Language Model Agents for Cost-Effective Sensor Data Handling and Urban Traffic Navigation本文提出 LASER Hub 平台，利用大语言模型智能体（LLM Agents）低成本处理异构传感器数据并支持城市交通导航。两大创新：1）领域自适应提示机制，使LLM能理解数值和符号化传感器数据，泛化到未见过的传感器类型；2）模块化智能体架构，集成LLM推理、交通控制和物联网中间件，支持集中式与分布式部署。实验表明，系统可在30秒内以100%准确率处理五种传感器数据，路由任务准确率达92%，并在模拟交通中减少旅行时间18%。该方案为智慧城市交通管理提供了低成本、可扩展的替代传统软件方案。 |  @Jinshan Guo | Engineering Applications of Artificial Intelligence 2025-06 | Not available |