Urban Computing in the Era of Large Language Models

📄 arXiv: 2504.02009v2 📥 PDF

作者: Zhonghang Li, Lianghao Xia, Xubin Ren, Jiabin Tang, Tianyi Chen, Yong Xu, Chao Huang

分类: cs.CY, cs.CL

发布日期: 2025-04-02 (更新: 2025-04-30)

备注: https://github.com/HKUDS/Awesome-LLM4Urban-Papers

期刊: ACM TIST, 2025

DOI: 10.1145/3768163

💡 一句话要点

探索LLM在城市计算中的应用，提升决策能力与公众参与度

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

关键词: 城市计算 大型语言模型 智慧城市 数据分析 决策支持

📋 核心要点

  1. 传统城市计算方法在泛化性和上下文理解方面存在不足，难以有效应对复杂城市问题。
  2. 论文探索了利用大型语言模型（LLM）来处理城市数据，提升城市决策能力和公众参与度。
  3. 论文总结了LLM在城市计算关键领域的应用，并提出了基于LLM的潜在解决方案。

📝 摘要（中文）

城市计算是一个多学科交叉领域，利用数据驱动技术来应对挑战并改善城市生活。传统方法虽然有益，但在泛化性、可扩展性和上下文理解方面面临挑战。大型语言模型（LLM）的出现为该领域带来了变革性潜力。本综述探讨了LLM与城市计算的交叉点，强调了LLM在处理和分析城市数据、增强决策制定以及促进公民参与方面的作用。我们简要概述了LLM的演变和核心技术。此外，我们调查了LLM在交通、公共安全和环境监测等关键城市领域的应用，总结了各种城市环境中的基本任务和先前工作，同时强调了LLM的功能角色和实施模式。在此基础上，我们提出了基于LLM的潜在解决方案，以应对尚未解决的挑战。为了促进深入研究，我们编制了一份适用于各种城市场景的可用数据集和工具列表。最后，我们讨论了当前方法的局限性，并概述了在城市计算中推进LLM的未来方向。

🔬 方法详解

问题定义：城市计算旨在利用数据解决城市问题，但传统方法在处理复杂、异构的城市数据时，面临泛化性差、可扩展性不足以及缺乏对上下文信息的深入理解等问题。这些问题限制了城市计算在实际应用中的效果。

核心思路：论文的核心思路是利用大型语言模型（LLM）强大的自然语言处理能力和知识表示能力，将城市数据转化为LLM可以理解和处理的文本形式，从而实现更智能的城市问题分析和决策。LLM能够从海量数据中学习城市运行的规律，并根据上下文信息进行推理和预测。

技术框架：论文采用综述的形式，并未提出具体的模型框架。但根据论文内容，基于LLM的城市计算应用通常包含以下几个阶段：1) 数据收集与预处理：收集各种城市数据，如交通数据、环境数据、社交媒体数据等，并进行清洗、转换等预处理操作。2) 数据表示与编码：将城市数据转化为LLM可以理解的文本形式，例如使用自然语言描述城市事件或现象。3) LLM推理与预测：利用LLM对文本数据进行分析和推理，例如预测交通拥堵、识别安全隐患等。4) 结果解释与应用：将LLM的分析结果转化为可理解的报告或可视化形式，并应用于城市管理和决策。

关键创新：论文的关键创新在于强调了LLM在城市计算中的应用潜力，并系统地总结了LLM在不同城市领域的应用案例。与传统方法相比，LLM能够更好地理解城市数据的语义信息，并进行更复杂的推理和预测。

关键设计：由于是综述论文，没有具体的技术细节。但基于LLM的城市计算应用需要考虑以下关键设计：1) 如何有效地将城市数据转化为LLM可以理解的文本形式。2) 如何利用LLM的知识表示能力来存储和检索城市知识。3) 如何设计合适的提示（prompt）来引导LLM进行推理和预测。4) 如何评估LLM在城市计算任务中的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文是一篇综述性文章，主要贡献在于对LLM在城市计算领域的应用进行了全面的梳理和展望，并未提供具体的实验结果。论文总结了LLM在交通、公共安全和环境监测等领域的应用，并指出了未来研究方向，为相关研究人员提供了有价值的参考。

🎯 应用场景

该研究成果可应用于智慧交通、公共安全、环境监测等多个领域。例如，利用LLM分析交通数据，预测交通拥堵，优化交通流量；利用LLM分析社交媒体数据，识别潜在的安全隐患，提升城市安全水平；利用LLM分析环境数据，预测空气质量，制定环境保护政策。该研究有助于提升城市管理效率，改善城市居民生活质量。

📄 摘要（原文）

Urban computing has emerged as a multidisciplinary field that harnesses data-driven technologies to address challenges and improve urban living. Traditional approaches, while beneficial, often face challenges with generalization, scalability, and contextual understanding. The advent of Large Language Models (LLMs) offers transformative potential in this domain. This survey explores the intersection of LLMs and urban computing, emphasizing the impact of LLMs in processing and analyzing urban data, enhancing decision-making, and fostering citizen engagement. We provide a concise overview of the evolution and core technologies of LLMs. Additionally, we survey their applications across key urban domains, such as transportation, public safety, and environmental monitoring, summarizing essential tasks and prior works in various urban contexts, while highlighting LLMs' functional roles and implementation patterns. Building on this, we propose potential LLM-based solutions to address unresolved challenges. To facilitate in-depth research, we compile a list of available datasets and tools applicable to diverse urban scenarios. Finally, we discuss the limitations of current approaches and outline future directions for advancing LLMs in urban computing.