Predicting Human Mobility during Extreme Events via LLM-Enhanced Cross-City Learning

1. O Problema

A urbanização e as mudanças climáticas aumentaram a vulnerabilidade das cidades a eventos extremos (como tempestades severas e inundações). Prever a mobilidade humana durante esses cenários é crucial para tarefas de resposta a emergências, como alertas precoces de desastres e alocação de recursos de resgate.

No entanto, os modelos existentes de previsão de mobilidade enfrentam dois desafios principais:

1. Viés de Cenário Normal: A maioria dos modelos (ex: DeepMove, Flashback) é treinada em cenários normais e falha drasticamente em eventos extremos devido a mudanças significativas nos padrões de mobilidade (ex: aumento de imobilidade, deslocamento de rotas).
2. Escassez de Dados e Transferência Ineficiente: Não há dados suficientes de eventos extremos específicos em uma cidade-alvo para treinar um modelo especializado. Embora a transferência de conhecimento entre cidades (aprendizado transferrido) seja uma solução, métodos tradicionais falham em capturar a heterogeneidade dos locais e a mudança de intenção humana sob estresse, resultando em uma queda de desempenho de até 46,4% em precisão.

2. Metodologia: O Framework X-MLM

Os autores propõem o X-MLM (Cross-eXtreme-event Mobility Language Model), um framework de aprendizado transferrido entre cidades que utiliza Grandes Modelos de Linguagem (LLMs) para modelar a intenção de mobilidade em vez de apenas trajetórias brutas. O framework consiste em três módulos principais:

A. Preditor de Intenção Aprimorado por RAG (RAG-Enhanced Intention Predictor)

• Objetivo: Extrair sequências de intenção histórica e prever a próxima intenção, lidando com a escassez de dados.
• Mecanismo:
  • Converte trajetórias espaciais em características de viagem (atributos de POI, interações de rede) e mapeia para um espaço de "intenção" compartilhado usando Análise de Componentes de Transferência (TCA) e clustering.
  • Utiliza um Intention-CLIP (Contrastive Language-Intention Pre-training) para alinhar o modo de "intenção" (vetores de características) com o modo de "linguagem" (vocabulário do LLM).
  • Emprega RAG (Retrieval-Augmented Generation) para buscar trajetórias de referência semelhantes em outras cidades (fontes) e em cenários normais/extremos, servindo como conhecimento externo para o modelo.

B. Refinador de Intenção Baseado em LLM (LLM-based Intention Refiner)

• Objetivo: Refinar a intenção prevista inicialmente, adaptando-a especificamente ao evento extremo atual.
• Mecanismo:
  • Utiliza um LLM (fine-tuned com Prefix-Tuning) para entender como diferentes níveis de eventos extremos afetam a mobilidade.
  • Prompt Híbrido: Combina um Prompt Incorporado de Intenção (onde embeddings de intenção são injetados diretamente no LLM) com um Prompt de Cadeia de Pensamento (CoT). O CoT guia o LLM a raciocionar em etapas: "A intenção prevista está correta?", "Deve ser imobilidade?", "Qual é a intenção correta?".
  • Utiliza um Soft Prompt sensível ao nível do evento para modelar a heterogeneidade entre diferentes tipos de desastres (ex: chuva leve vs. tempestade severa).

C. Preditor de Localização Modulado por Intenção (Intention-Modulated Location Predictor)

• Objetivo: Mapear a intenção refinada para uma localização geográfica específica.
• Mecanismo:
  • Integra a intenção refinada (do LLM) a um modelo base de previsão de mobilidade (ex: LSTM, DeepMove, STiSAN+).
  • Utiliza uma função de modulação (produto elemento a elemento, concatenação ou atenção) para ajustar as representações de mobilidade do modelo base com base na intenção atual, permitindo que o modelo base preveja a próxima localização no cenário extremo.

3. Principais Contribuições

1. Framework X-MLM: Primeira abordagem que utiliza LLMs para transferir conhecimento sobre o impacto de eventos extremos na mobilidade humana entre cidades, operando no nível de "intenção" para decoplar diferenças espaciais.
2. Intention-CLIP: Um mecanismo inovador para alinhar modalidades de intenção e linguagem, permitindo que LLMs compreendam e prevejam intenções de mobilidade complexas.
3. Estratégia de Prompt Híbrida: Uso de prompts de CoT e soft prompts adaptativos para refinar previsões de intenção, lidando especificamente com a imobilidade e a gravidade do evento.
4. Generalização: O modelo pode ser integrado a qualquer modelo base de mobilidade existente, melhorando seu desempenho em cenários de desastre sem necessidade de reestruturação completa.

4. Resultados Experimentais

Os experimentos foram realizados com dados reais de 7 cidades chinesas durante eventos de precipitação extrema. O X-MLM foi comparado com modelos tradicionais (DeepMove, Flashback), modelos específicos para desastres (HMM+MDP, DeepMob) e modelos baseados em LLM (LLM4POI).

• Desempenho Geral: O X-MLM (com base em STiSAN+) superou todos os baselines, alcançando:
  • 32,8% de melhoria na precisão (Acc@1).
  • 28,3% de melhoria na Reciprocidade Média de Classificação (MRR).
  • 35,0% de melhoria na pontuação F1 para previsão de imobilidade (um indicador crítico em desastres).
• Robustez: O modelo conseguiu compensar a queda de desempenho dos modelos base em cenários extremos. Enquanto modelos tradicionais sofriam quedas de até 46,9% na precisão em desastres, o X-MLM manteve ou até melhorou o desempenho em relação ao cenário normal.
• Análise de Ablação: A remoção de qualquer módulo (RAG, Soft Prompt, Refinamento LLM) resultou em queda de desempenho, validando a necessidade de cada componente.
• Eficiência: O tempo de inferência é comparável a outros modelos baseados em LLM (cerca de 5,67s), demonstrando viabilidade prática.

5. Significado e Impacto

Este trabalho representa um avanço significativo na interseção entre Inteligência Artificial Generativa (LLMs) e Ciência de Dados Urbanos.

• Resiliência Urbana: Oferece uma ferramenta robusta para governos e agências de emergência preverem o comportamento humano sob estresse, permitindo respostas mais rápidas e direcionadas.
• Mudança de Paradigma: Demonstra que modelar a mobilidade no nível de "intenção" e usar LLMs para raciocínio sobre eventos extremos é superior à simples transferência de dados brutos de trajetória.
• Escalabilidade: A capacidade de transferir conhecimento entre cidades sem dados históricos de desastres locais torna a solução aplicável globalmente, mesmo em regiões com poucos registros de eventos extremos passados.

Em resumo, o X-MLM preenche uma lacuna crítica na literatura, transformando a previsão de mobilidade de um problema puramente estatístico para um processo semântico e contextualizado, essencial para a gestão de crises climáticas.