组会 | 2026-04-13

日期 4月 13, 2026
活动 课题组组会

本次组会收录 2 篇文献阅读分享。

分享成员
@果金杉 @夏强

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

A Foundational Individual Mobility Prediction Model based on Open-Source Large Language Models

本文针对传统出行预测模型迁移性差、鲁棒性不足的问题，本文基于开源 LLaMA-3.1-8B，通过多风格指令蒸馏和 PEFT 微调，提出个体出行预测基础模型 MoBLLM。在涵盖 GPS、签到、AFC 三类异构数据的六个真实数据集上，其预测精度、跨城市零样本迁移能力以及非常规情境下的鲁棒性均全面超越主流深度学习模型和基于商用 LLM 的方法。

@果金杉icdiss 2025-11暂无

Where to Go Next Day: Multi-scale Spatial-Temporal Decoupled Model for Mid-term Human Mobility Prediction

预测个体出行模式在各种应用中都至关重要。虽然现有方法主要侧重于预测个性化服务（例如推荐）的下一个位置，但它们在支持更广泛的应用（例如交通管理和疫情控制）方面往往存在不足，因为这些应用需要对人类出行进行更长期的预测。本研究旨在解决中期出行预测问题，捕捉每日出行模式并预测未来一天或一周的出行轨迹。我们提出了一种新颖的多尺度时空解耦预测器（MSTDP），该预测器通过将每日出行轨迹解耦为不同的位置-持续时间链，高效地提取空间和时间信息。我们的方法采用分层编码器来建模多尺度时间模式（包括每日重复性和每周周期性），并利用基于Transformer的解码器来全局关注位置或持续时间链中的预测信息。此外，我们还引入了一个空间异构图学习器来捕捉多尺度空间关系，从而增强语义丰富的表示。为了验证MSTDP的优势，我们对五个城市（波士顿、洛杉矶、旧金山湾区、上海和东京）的大规模手机记录进行了广泛的实验，包括统计物理分析。在波士顿的疫情建模中，MSTDP显著优于性能最佳的基线模型，累计新增病例的平均绝对误差（MAE）降低了惊人的62.8%。

@夏强arXiv 2025-01暂无
组会 文献分享