在低数据量情境下，LLM辅助正则化能否提高迁移流预测准确率？

arXiv:2610.07208v1 公告类型：新 摘要：对于传统的基于引力模型的预测模型而言，迁移流预测仍是一项重大挑战。这些模型主要依赖结构化的社会经济指标，例如经济差距、政治稳定性和地理距离。本研究探讨了LLM能否通过从新闻文章中提取与迁移相关的情境信号，并通过特征特定的正则化惩罚将其纳入加权Lasso预测框架，从而改进迁移预测。所提出的框架采用分层LLM推理流程，从新闻数据中对与迁移相关的推力—拉力信号进行分类，并评估了2021年11月至2022年11月期间多条迁移走廊的预测表现，包括墨西哥—美国、乌克兰—波兰和叙利亚—土耳其。实验结果显示，不同迁移走廊和建模策略的表现不一，在所有实验中没有任何一种正则化方法始终优于其他方法。表现最佳的墨西哥配置由一个基于引力模型的模型和所提出的推力—拉力比率构成，其平均绝对百分比误差（MAPE）为17.15%；表现最强的叙利亚配置采用Direct LLM-Lasso，MAPE为29.29%。对于乌克兰，表现最佳的配置采用LLM-Assisted Regularization（AR），MAPE为41.05%。总体而言，结果表明，在特定条件下，源自文章的情境特征和LLM引导的正则化能够改进迁移预测，但迁移走廊特征、文章数量和超参数配置对性能有显著影响。