Semantic Trajectory Data Mining with LLM-Informed POI Classification

📄 arXiv: 2405.11715v2 📥 PDF

作者: Yifan Liu, Chenchen Kuai, Haoxuan Ma, Xishun Liao, Brian Yueshuai He, Jiaqi Ma

分类: cs.AI, cs.LG

发布日期: 2024-05-20 (更新: 2024-08-19)

备注: 7 pages, accepted for the 27th IEEE International Conference on Intelligent Transportation Systems (ITSC 2024)

💡 一句话要点

利用LLM进行POI分类，提升语义轨迹数据挖掘性能

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 语义轨迹挖掘 兴趣点分类 大型语言模型 贝叶斯推断 人类出行模式

📋 核心要点

  1. 现有轨迹挖掘方法缺乏语义信息，导致效率和准确性受限，难以充分理解人类出行模式。
  2. 利用大型语言模型（LLM）的推理能力标注POI活动类型，结合贝叶斯算法推断轨迹停留点活动。
  3. 实验结果表明，该方法在POI分类和活动推断方面均取得了显著的准确率和F-1分数提升。

📝 摘要（中文）

人类出行轨迹挖掘对于交通系统至关重要，能够优化路线、改进交通管理并研究人类出行模式。以往基于规则的方法缺乏语义信息的整合，在效率和准确性上存在局限。兴趣点（POI）数据中蕴含的活动类型等语义信息可以显著提升轨迹挖掘的质量。然而，整合这些信息面临挑战，因为许多POI的特征信息不完整，并且现有的基于学习的POI算法需要数据集的完整性才能进行分类。本文提出了一种新颖的人类出行轨迹挖掘流程。该方法首先利用大型语言模型（LLM）强大的推理和理解能力来标注POI的活动类型，然后使用基于贝叶斯的算法来推断轨迹中每个停留点的活动。在使用OpenStreetMap（OSM）POI数据集进行的评估中，我们的方法在POI分类中实现了93.4%的准确率和96.1%的F-1分数，在活动推断中实现了91.7%的准确率和92.3%的F-1分数。

🔬 方法详解

问题定义：现有基于规则的轨迹挖掘方法无法有效利用POI数据中的语义信息，导致轨迹分析的准确性和效率较低。现有的基于学习的POI分类算法依赖于完整的数据集，难以处理POI特征信息不完整的情况。因此，如何有效地利用不完整的POI信息进行准确的轨迹语义分析是一个关键问题。

核心思路：本论文的核心思路是利用大型语言模型（LLM）强大的语义理解和推理能力，对POI数据进行活动类型标注，从而弥补POI信息不完整的缺陷。然后，结合贝叶斯算法，根据标注后的POI信息推断轨迹中每个停留点的活动类型，实现更准确的轨迹语义分析。

技术框架：该方法包含两个主要阶段：1) 基于LLM的POI活动类型标注：利用LLM对POI的名称、描述等信息进行分析，推断其对应的活动类型。2) 基于贝叶斯的活动推断：根据标注后的POI信息，结合轨迹中停留点的位置和时间信息，使用贝叶斯算法推断每个停留点对应的活动类型。

关键创新：该方法最重要的创新点在于利用LLM进行POI活动类型标注，解决了POI信息不完整的问题。与传统的基于规则或基于学习的方法相比，该方法能够更有效地利用POI数据中的语义信息，提高轨迹语义分析的准确性。

关键设计：在POI活动类型标注阶段，需要选择合适的LLM，并设计合适的prompt，引导LLM进行准确的活动类型推断。在基于贝叶斯的活动推断阶段，需要选择合适的先验概率和似然函数，并根据实际情况进行调整。具体LLM选择和prompt设计以及贝叶斯公式中的参数设置在论文中未详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在POI分类中实现了93.4%的准确率和96.1%的F-1分数，在活动推断中实现了91.7%的准确率和92.3%的F-1分数。这些结果表明，该方法能够有效地利用LLM进行POI活动类型标注，并提高轨迹语义分析的准确性。

🎯 应用场景

该研究成果可应用于智能交通系统、城市规划、商业选址等领域。通过更准确地理解人类出行模式，可以优化交通流量、改善公共交通服务、辅助商业决策，并为个性化推荐系统提供更精准的用户画像，具有重要的实际应用价值和广阔的应用前景。

📄 摘要（原文）

Human travel trajectory mining is crucial for transportation systems, enhancing route optimization, traffic management, and the study of human travel patterns. Previous rule-based approaches without the integration of semantic information show a limitation in both efficiency and accuracy. Semantic information, such as activity types inferred from Points of Interest (POI) data, can significantly enhance the quality of trajectory mining. However, integrating these insights is challenging, as many POIs have incomplete feature information, and current learning-based POI algorithms require the integrity of datasets to do the classification. In this paper, we introduce a novel pipeline for human travel trajectory mining. Our approach first leverages the strong inferential and comprehension capabilities of large language models (LLMs) to annotate POI with activity types and then uses a Bayesian-based algorithm to infer activity for each stay point in a trajectory. In our evaluation using the OpenStreetMap (OSM) POI dataset, our approach achieves a 93.4% accuracy and a 96.1% F-1 score in POI classification, and a 91.7% accuracy with a 92.3% F-1 score in activity inference.