Resumen:Inferir atributos demográficos como la edad, el sexo o el nivel de ingresos a partir de los patrones de movilidad humana permite aplicaciones críticas como intervenciones de salud pública específicas, planificación urbana equitativa y servicios de transporte personalizados. Los estudios de inferencia demográfica basados en la movilidad existentes dependen en gran medida de datos de trayectoria a gran escala con etiquetas demográficas, lo que lleva a una interpretabilidad limitada y una generalización deficiente entre diferentes conjuntos de datos y grupos de usuarios. Proponemos HiCoTraj (razonamiento demográfico de disparo cero a través de una cadena de pensamiento jerárquica a partir de trayectoria), un marco que aprovecha las capacidades de comprensión semántica y aprendizaje de disparo cero de los LLM para realizar inferencias demográficas sin datos de entrenamiento etiquetados. HiCoTraj transforma las trayectorias en representaciones de lenguaje natural semánticamente ricas mediante la creación de crónicas detalladas de actividades y resúmenes de visitas a múltiples escalas. Luego, HiCoTraj utiliza una novedosa cadena jerárquica de razonamiento de pensamiento para guiar sistemáticamente a los LLM a través de tres etapas cognitivas: extracción de características fácticas, análisis de patrones de comportamiento e inferencia demográfica con resultados estructurados. Este enfoque aborda el desafío de la escasez de datos demográficos etiquetados y al mismo tiempo proporciona cadenas de razonamiento transparentes. La evaluación experimental de datos de trayectoria del mundo real demuestra que HiCoTraj logra un desempeño competitivo en múltiples atributos demográficos en escenarios de tiro cero.
Publicado originalmente en export.arxiv.org el 14 de octubre de 2025.
Ver fuente original
