时空预测，旨在针对不断变化的动态城市场景做出预测和洞察，并在时间和空间这两个维度上进行分析。

其目标是预测城市生活的各个方面，包括预测交通情况、人口流动和犯罪率等，以便为相关趋势和相关事件提供准确的预测。

尽管许多研究都致力于利用 AI 和神经网络技术来预测城市中的时空数据，但是仍存在一些重要的技术挑战：

挑战之一在于，数据比较稀缺。

传统的时空数据预测方法通常需要大量的标记数据进行训练，只有这样才能生成准确的时空表示。

然而，在实际的城市计算场景中，由于数据采集成本高昂、或数据获取困难，以至于很难获得足够的标记数据。

而通过预训练等方法，可以利用未标记的数据来训练大模型，从而克服数据稀缺性的挑战。

挑战之二在于，智慧城市场景较为多样。

智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，需要采用不同的神经网络技术。

当针对不同场景设计不同的神经网络技术时，采用传统方法往往会非常繁琐。

而大模型可以通过设计灵活的神经网络架构，比如通过设计注意力机制、跨模态信息融合和多尺度表示学习等，来适应不同的智慧城市场景。

挑战之三在于，此前预测方法的准确性和泛化能力不足。

时空预测的目标是要准确预测城市生活的各个方面，并提供关于未来时间和空间模式、趋势和事件的准确预测。

传统方法在处理复杂的时空关系时，有时会存在局限性，从而导致预测结果不够准确。

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，提供更准确的预测结果。

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，香港大学黄超教授和合作者打造一款名为 UrbanGPT 的大模型，其能用于智慧城市、智慧交通和城市计算之中。

图 | 黄超（来源：黄超）

据介绍，这款时空大模型范式能够充分考虑时间和空间的关联性，故能为捕捉城市中复杂的时空动态特征，提供一种有效方法。

通过时空零样本的学习，该大模型可以克服数据稀缺性、智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，能够有效应对城市计算中的现实挑战。

从而为智慧城市的发展提供有力支持，并为解决城市管理和城市规划中的关键问题提供新的方法。

具体来说：

其一，能用于智慧城市的规划和设计。

即能为城市规划师和城市设计师，提供有关城市发展的关键见解和决策支持。

通过分析大规模的时空数据，可以帮助预测和模拟城市的人口增长、交通流量、能源消耗等方面的变化，从而更好地规划城市基础设施和资源分配。

其二，能用于智慧交通管理。

基于这款大模型可以开发智能交通管理系统，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控制策略，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。

通过分析城市中的多源数据，包括分析视频监控数据、社交媒体信息和传感器数据等，该大模型可以帮助识别异常事件、预测潜在风险，并能提供实时的应急响应和资源调度策略，增强城市的安全性和灾害响应能力。

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使用和环境管理。通过分析能源消耗数据、天气数据和建筑设施信息，助力提高能源利用效率。

其五，能用于社会福利和公共服务改善。

通过分析社会经济数据、卫生健康数据和教育数据等，该大模型可以帮助相关机构优化资源分配、改善公共服务的质量和可及性，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，该大模型可以分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时间，并帮助警务部门采取针对性的预防措施，提高公共安全水平。

（来源：arXiv）

日前，相关论文以《UrbanGPT：时空大语言模型》（UrbanGPT：Spatio-Temporal Large Language Models）为题发在 arXiv[1]。

图 | 相关论文（来源：arXiv）

未来，课题组将采取四步走的策略：

首先，扩大数据的覆盖范围。

目前，UrbanGPT 的训练数据主要涵盖一些主要城市的数据，因此他们计划扩大数据覆盖范围，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，提高其在全球范围内的适用性。

其次，增加多模态支持。

除了传统的文本数据，他们将探索如何融合图像、视频、传感器数据等多种类型的数据，以提供更丰富的城市信息和分析能力。

这将进一步扩展 UrbanGPT 的应用领域，从而更好地应对城市智能分析和预测的需求。

再次，加强可解释性和用户交互性。

为了使 UrbanGPT 的结果更易于理解和应用，他们计划加强其可解释性和用户交互性。

这包括开发解释性的推理机制，使模型的决策过程更加透明和可追溯，并提供更直观和可视化的界面，使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分析和预测。

最后，持续优化该大模型的性能。

通过不断改进模型架构、训练策略和优化算法，课题组将不断提升 UrbanGPT 的整体性能，以满足不断增长的城市数据分析和决策需求。

参考资料：

1.https://arxiv.org/pdf/2403.00813

运营/排版：何晨龙