文章主要内容总结本文提出了一种名为RHYTHM（Reasoning with Hierarchical Temporal Tokenization for Human Mobility）的框架，旨在利用大型语言模型（LLMs）进行人类移动性预测和轨迹推理。该框架的核心思路是通过结构化的时间抽象重构移动性建模，将轨迹分割为日常片段并编码为离散token，结合分层注意力机制捕捉每日和每周的依赖关系，同时大幅缩短序列长度。RHYTHM通过冻结LLM主干网络，利用预计算的提示嵌入增强token表示，在不增加大量计算开销的情况下提升模型对依赖关系的捕捉能力。实验结果显示，在三个真实世界数据集（熊本、札幌、广岛）上，该框架相比现有方法准确率提升2.4%，周末预测准确率提升5.0%，训练时间减少24.6%，验证了其在计算效率和预测性能上的优势。创新点新颖的时间token化方案：将每日移动模式表示为离散token，捕捉多尺度周期性依赖关系，同时显著缩短序列长度。高效的提示引导整合：通过片段嵌入整合语义轨迹线索和任务描述，增强对复杂移动行为的可解释性。参数高效的LLM适配策略：利用冻结的LLM主干网络，仅需12.37%的模型参数，减少24.6%的计算成本。性能提升：在三个真实数据集上，整体准确率提升2.4%，周末预测准确率提升5.0%，优于现有最先进方法。翻译部分 Efficient Temporal Tokenization for Mobility Prediction with Large Language Models
文章主要内容总结本文提出了一种名为RHYTHM（Reasoning with Hierarchical Temporal Tokenization for Human Mobility）的框架，旨在利用大型语言模型（LLMs）进行人类移动性预测和轨迹推理。该框架的核心思路是通过结构化的时间抽象重构移动性建模，将轨迹分割为日常片段并编码为离散token，结合分层注意力机制捕捉每日和每周的依赖关系，同时大幅缩短序列长度。RHYTHM通过冻结LLM主干网络，利用预计算的提示嵌入增强token表示，在不增加大量计算开销的情况下提升模型对依赖关系的捕捉能力。实验结果显示，在三个真实世界数据集（熊本、札幌、广岛）上，该框架相比现有方法准确率提升2.4%，周末预测准确率提升5.0%，训练时间减少24.6%，验证了其在计算效率和预测性能上的优势。创新点新颖的时间token化方案：将每日移动模式表示为离散token，捕捉多尺度周期性依赖关系，同时显著缩短序列长度。高效的提示引导整合：通过片段嵌入整合语义轨迹线索和任务描述，增强对复杂移动行为的可解释性。参数高效的LLM适配策略：利用冻结的LLM主干网络，仅需12.37%的模型参数，减少24.6%的计算成本。性能提升：在三个真实数据集上，整体准确率提升2.4%，周末预测准确率提升5.0%，优于现有最先进方法。翻译部分