Resumen: El pronóstico de movilidad humana es importante para aplicaciones como la planificación del transporte, la gestión urbana y las recomendaciones personalizadas. Sin embargo, los métodos existentes a menudo no pueden generalizarse a usuarios o ubicaciones invisibles y luchar para capturar la intención dinámica debido a datos etiquetados limitados y la complejidad de los patrones de movilidad. Proponemos ZHMF, un marco para el pronóstico de movilidad humana de disparo cero que combina un mecanismo semántico de recuperación y reflexión con un sistema de razonamiento basado en el modelo de lenguaje jerárquico. La tarea se reformula como una pregunta de lenguaje natural que responde al paradigma. Aprovechando la comprensión semántica de LLMS de las historias y el contexto de los usuarios, nuestro enfoque maneja escenarios de predicción previamente invisibles. Además, introducimos un mecanismo de reflexión jerárquica para el razonamiento iterativo y el refinamiento mediante la descomposición del pronóstico en un planificador de nivel de actividad y un selector de nivel de ubicación, lo que permite el modelado colaborativo de las intenciones de los usuarios a largo plazo y las preferencias contextuales a corto plazo. Los experimentos en conjuntos de datos de movilidad humana estándar muestran que nuestro enfoque supera a los modelos existentes. Los estudios de ablación revelan la contribución de cada módulo, y los estudios de casos ilustran cómo el método captura las intenciones de los usuarios y se adapta a diversos escenarios contextuales.
Publicado Originalme en export.arxiv.org El 22 de septiembre de 2025.
Ver Fuente Original
