利用实地实验数据微调大语言模型预测游客轨迹

一项研究利用日本和歌山城公园的566条实地轨迹数据，对Llama-3.1-8B大语言模型进行微调，用于游客轨迹预测。结果显示，该模型在下一景点预测准确率达49.1%，且在雨天等样本不足场景下表现良好，验证了其泛化能力，为移动干预的反事实分析提供了基础。

传统游客行为预测模型难以应对天气、疲劳等情境变化，无法泛化到未观测场景。该研究证明大语言模型通过预训练编码常识，并借助自然语言灵活整合异构信息，经微调后能在数据稀缺条件下保持高精度，为情境敏感的游客行为建模提供了新方法。

大语言模型在预训练阶段编码了关于人类行为的常识知识，能够基于情境进行推理。通过将轨迹数据转换为自然语言描述，模型可灵活处理天气、疲劳等异构信息。微调则利用本地轨迹数据调整模型，使其适应目的地特有的行为模式，从而在样本不足时仍能有效预测。

对旅游管理平台或相关应用，该方法可提升游客行为预测的准确性和情境适应性，尤其在恶劣天气等极端条件下。降低了对大量历史数据的依赖，可能缩短模型部署周期，但需考虑微调大模型的算力成本。

• 开发基于大语言模型的游客流量预测插件，为景区提供实时人流管理与调度建议。
• 构建反事实分析工具，帮助景区评估天气、活动等干预措施对游客行为的影响。
• 利用自然语言接口整合天气、活动等多源数据，实现动态游客路线推荐。

• 该模型在更复杂、更大规模的真实场景中的表现尚需验证。
• 微调所需的计算资源和时间成本未在证据中明确。
• 模型对其他类型目的地（如城市、博物馆）的泛化能力未知。