urban-computing

本文评估了零样本大型语言模型在预测美国大都市区社区级移动模式方面的表现，将其与监督基线进行比较，并审计其与经验数据的结构对齐。

本文提出FairGIN，一种公平性感知的图神经网络，用于扩展共享单车系统中的需求预测，解决冷启动扩展和空间不平等问题，以促进公平的低碳出行。

UrbanAgent is a tool-augmented agent framework that uses LLMs with code execution, API calls, and MCP to handle cross-system urban requests. The authors also introduce UrbanEval, a benchmark for evaluating task results and execution quality, achieving 71% success rate over baselines.

本文介绍了UrbanDS——一个面向数据密集型城市任务的图引导LLM多智能体系统，以及用于评估此类系统的基准UrbanDS-Bench。实验表明，它优于现有的数据科学智能体，并已部署在真实的城市运营平台中。

本文提出 UrbanAgent，一个将城市区域画像重新定义为基于推理的推断问题的智能体框架，利用多智能体协作推理和工具增强的证据检索。在全球城市数据集上的碳排放、GDP和人口估算任务中，该框架优于基线方法，R²平均提升8.1%。

作者利用一张地铁站墙上的鞋印照片，通过图像处理和一个启发式的身体与鞋印比例，来估算通勤者的身高分布，并讨论了使用贝叶斯方法进行改进的可能性。

提出CausalPOI，一个基于时空图的因果表示学习框架，用于冷启动POI签到预测，在真实世界的SafeGraph数据集上显著优于现有最先进基线。