其目标是预测城市生活的各个方面，包括预测交通情形、人口流动和犯罪率等，以便为干系趋势和干系事宜供应准确的预测。
只管许多研究都致力于利用 AI 和神经网络技能来预测城市中的时空数据，但是仍存在一些主要的技能寻衅：
寻衅之一在于，数据比较稀缺。
传统的时空数据预测方法常日须要大量的标记数据进行演习，只有这样才能天生准确的时空表示。
然而，在实际的城市打算场景中，由于数据采集本钱高昂、或数据获取困难，以至于很难得到足够的标记数据。
而通过预演习等方法，可以利用未标记的数据来演习大模型，从而战胜数据稀缺性的寻衅。
寻衅之二在于，聪慧城市场景较为多样。
聪慧城市具有多样性的场景，因此针对城市的不同领域和问题，须要采取不同的神经网络技能。
当针对不同场景设计不同的神经网络技能时，采取传统方法每每会非常繁琐。
而大模型可以通过设计灵巧的神经网络架构，比如通过设计把稳力机制、跨模态信息领悟和多尺度表示学习等，来适应不同的聪慧城市场景。
寻衅之三在于，此前预测方法的准确性和泛化能力不敷。
时空预测的目标是要准确预测城市生活的各个方面，并供应关于未来韶光和空间模式、趋势和事宜的准确预测。
传统方法在处理繁芜的时空关系时，有时会存在局限性，从而导致预测结果不足准确。
而大模型通过增强模型的表示能力和泛化能力，可以更好地理解城市中的时空关系，供应更准确的预测结果。
由此可见，构建一个能在不同时空场景中展现强大泛化能力的时空大模型，是非常有必要的。
基于此，喷鼻香港大学黄超教授和互助者打造一款名为 UrbanGPT 的大模型，其能用于聪慧城市、聪慧交通和城市打算之中。
图 | 黄超（来源：黄超）
据先容，这款时空大模型范式能够充分考虑韶光和空间的关联性，故能为捕捉城市中繁芜的时空动态特色，供应一种有效方法。
通过时空零样本的学习，该大模型可以战胜数据稀缺性、聪慧城市场景多样性所带来的问题。
此外，其具备较好的预测准确性和泛化能力，能够有效应对城市打算中的现实寻衅。
从而为聪慧城市的发展供应有力支持，并为办理城市管理和城市方案中的关键问题供应新的方法。
详细来说：
其一，能用于聪慧城市的方案和设计。
即能为城市方案师和城市设计师，供应有关城市发展的关键见地和决策支持。
通过剖析大规模的时空数据，可以帮助预测和仿照城市的人口增长、交通流量、能源花费等方面的变革，从而更好地方案城市根本举动步伐和资源分配。
其二，能用于聪慧交通管理。
基于这款大模型可以开拓智能交通管理系统，以用于优化城市交通流动性、以及减少交通拥堵。
该大模型不仅可以实时地监测交通状况、预测交通需求，并能优化交通路线和交通信号掌握策略，从而提高交通效率和减少排放。
其三，能用于城市安全和应急管理。
通过剖析城市中的多源数据，包括剖析视频监控数据、社交媒体信息和传感器数据等，该大模型可以帮助识别非常事宜、预测潜在风险，并能供应实时的应急相应和资源调度策略，增强城市的安全性和磨难相应能力。
其四，能用于能源管理和环境保护。
即能用于优化城市的能源利用和环境管理。通过剖析能源花费数据、景象数据和建筑举动步伐信息，助力提高能源利用效率。
其五，能用于社会福利和公共做事改进。
通过剖析社会经济数据、卫生康健数据和教诲数据等，该大模型可以帮助干系机构优化资源分配、改进公共做事的质量和可及性，从而提升居民的生活质量和社会福利。
其六，能用于犯罪预测和犯罪预防。
通过整合城市中的多种数据源，包括犯罪记录、社交媒体数据、人口统计数据等，该大模型可以剖析城市的犯罪模式和趋势。
基于这些模式和趋势，它可以预测潜在的犯罪热点区域和韶光，并帮助警务部门采纳针对性的预防方法，提高公共安全水平。
（来源：arXiv）
日前，干系论文以《UrbanGPT：时空大措辞模型》（UrbanGPT：Spatio-Temporal Large Language Models）为题发在 arXiv[1]。
图 | 干系论文（来源：arXiv）
未来，课题组将采纳四步走的策略：
首先，扩大数据的覆盖范围。
目前，UrbanGPT 的演习数据紧张涵盖一些紧张城市的数据，因此他们操持扩大数据覆盖范围，包括更多城市和地区的数据。
这将使得 UrbanGPT 能够更好地适应不同城市的特点和需求，提高其在环球范围内的适用性。
其次，增加多模态支持。
除了传统的文本数据，他们将探索如何领悟图像、视频、传感器数据等多种类型的数据，以供应更丰富的城市信息和剖析能力。
这将进一步扩展 UrbanGPT 的运用领域，从而更好地应对城市智能剖析和预测的需求。
再次，加强可阐明性和用户交互性。
为了使 UrbanGPT 的结果更易于理解和运用，他们操持加强其可阐明性和用户交互性。
这包括开拓阐明性的推理机制，使模型的决策过程更加透明和可追溯，并供应更直不雅观和可视化的界面，利用户能够与大模型进行交互，并能根据自身需求进行定制化的剖析和预测。
末了，持续优化该大模型的性能。
通过不断改进模型架构、演习策略和优化算法，课题组将不断提升 UrbanGPT 的整体性能，以知足不断增长的城市数据剖析和决策需求。
参考资料：
1.https://arxiv.org/pdf/2403.00813
运营/排版：何晨龙
