组会 | 2026-03-30

日期 3月 30, 2026
活动 课题组组会

本次组会收录 3 篇文献阅读分享。

分享成员
@夏强 @果金杉 @董昱菡

文献方向与要点

本次组会文献分享明细
文献与研究要点分享人发表信息资料

Human mobility is well described by closed-form gravity-like models learned automatically from data

作者不用手工指定一个新的流动公式，而是让 Bayesian machine scientist 直接从数据里自动搜索闭式方程，再看这些方程能不能在保持可解释性的同时，达到复杂机器学习模型的预测效果。

@夏强Nature Communications 2025-02暂无

UPTM-LLM: Large Language Models-powered Urban Pedestrian Travel Modes Recognition for Intelligent Transportation System

本文出基于大语言模型（LLaMA 2-7B）的城市行人出行方式识别框架UPTM-LLM，能识别步行、自行车、电动车、私家车、网约车、班车、公交、地铁8种出行方式，设计三个专用感知模块（时间感知、POI感知、轨迹感知），将出行语义信息编码为LLM可理解的token，显著增强LLM对出行行为的语义理解能力。

@果金杉Applied Soft Computing 2025-09暂无

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

本研究提出了基于大型语言模型的轨迹语义推断（TSI-LLM）框架，以利用大型语言模型（LLM）全面、深入地推断轨迹语义。并采用了时空属性增强的数据格式（STFormat），并设计了一种包含上下文信息的提示，使LLM能够更有效地解释和推断轨迹数据的语义。在真实世界轨迹数据集上的实验验证表明，TSI-LLM能够有效解读复杂的人类移动模式。

@董昱菡arXiv 2024-05暂无
组会 文献分享