Longbiao Chen
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Longbiao Chen has a total of 152 co-authors. Here are the top co-authors by number of shared publications:
- Cheng Wang
Fujian Key Laboratory of Sensing and Computing for Smart Cities, Xiamen University, Xiamen, Fujian, China
22 shared publications - Xiaoliang Fan
Fujian Key Laboratory of Sensing and Computing for Smart Cities, School of Informatics, Xiamen University, Xiamen, China
8 shared publications - Binbin Zhou
Hangzhou City University
7 shared publications Cheng Wang
Fujian Key Laboratory of Sensing and Computing for Smart Cities (SCSC), School of Informatics, Xiamen University, Xiamen, Fujian, China
6 shared publications- Guofeng Luo
Xiamen University
6 shared publications - Junxiang Ji
Department of Computer Science, Xiamen University, Xiamen, China
6 shared publications
Latest Publications
- 1 May 2026
- Published by Springer Nature
- p. 40-56
FISPA: A LLM-Based Assistance Framework for Fire Investigation
- 1 May 2026
- Published by Springer Nature
- p. 40-56
FISPA: A LLM-Based Assistance Framework for Fire Investigation
- 3 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Big data-driven optimization in transportation and communication networks
Optimisation à base de l’analyse de données dans les réseaux de transport et des réseaux de communications: L'évolution des structures métropolitaines ont créé divers types de réseaux urbains. Parmi lesquels deux types de réseaux sont d'une grande importance pour notre vie quotidienne : les réseaux de transport correspondant à la mobilité humaine dans l'espace physique et les réseaux de communications soutenant les interactions humaines dans l'espace numérique. L'expansion rapide dans la portée et l'échelle de ces deux réseaux soulève des questions de recherche fondamentales sur la manière d’optimiser ces réseaux. Certains des objectifs principaux comprennent le provisioning de ressources à la demande, la détection des anomalies, l'efficacité énergétique et la qualité de service. Malgré les différences dans la conception et les technologies de mise en œuvre, les réseaux de transport et les réseaux de communications partagent des structures fondamentales communes, et présentent des caractéristiques spatio-temporelles dynamiques similaires. En conséquence, ils existent les défis communs dans l’optimisation de ces deux réseaux : le profil du trafic, la prédiction de la mobilité, l’agrégation de trafic, le clustering des nœuds et l'allocation de ressources. Pour atteindre les objectifs d'optimisation et relever les défis de la recherche, différents modèles analytiques, algorithmes d'optimisation et systèmes de simulation ont été proposés et largement étudiés à travers plusieurs disciplines. Ces modèles analytiques sont souvent validés par la simulation et pourraient conduire à des résultats sous-optimaux dans le déploiement. Avec l'émergence de l’Internet, un volume massif de données de réseau urbain peuvent être collecté. Les progrès récents dans les techniques d'analyse de données Big Data ont fourni aux chercheurs de grands potentiels pour comprendre ces données. Motivé par cette tendance, l’objectif de cette thèse est d'explorer un nouveau paradigme d'optimisation des réseaux basé sur les données. Nous abordons les défis scientifiques mentionnés ci-dessus en appliquant des méthodes d'analyse de données pour l'optimisation des réseaux. Nous proposons deux algorithmes data-driven pour le clustering de trafic réseau et la prédiction de la mobilité d’utilisateur, et appliquer ces algorithmes à l'optimisation dans les réseaux de transport et de communications. Premièrement, en analysant les jeux de données de trafic à grande échelle des deux réseaux, nous proposons un algorithme de clustering à base de graphe pour mieux comprendre les similitudes de la circulation et les variations de trafic entre différents zones et heures. Sur cette base, nous appliquons l'algorithme d’agrégation (clustering) de trafic aux deux applications d'optimisation de réseau suivants : 1. Un clustering de trafic dynamique pour la planification à la demande des réseaux de vélos partagés. Dans cette application, nous regroupons dynamiquement les stations de vélos avec des motifs de trafic similaires pour obtenir des demandes de trafic groupées (en cluster) plus stables et plus prédictible, de manière à pouvoir prévoir les stations surchargés dans le réseau et à permettre une planification dynamique de réseau en fonction de la demande. Les résultats d'évaluation en utilisant les données réelles de New York City et Washington, D.C. montrent que notre solution prévoit précisément des clusters surchargés
- 3 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Big data-driven optimization in transportation and communication networks
Optimisation à base de l’analyse de données dans les réseaux de transport et des réseaux de communications: L'évolution des structures métropolitaines ont créé divers types de réseaux urbains. Parmi lesquels deux types de réseaux sont d'une grande importance pour notre vie quotidienne : les réseaux de transport correspondant à la mobilité humaine dans l'espace physique et les réseaux de communications soutenant les interactions humaines dans l'espace numérique. L'expansion rapide dans la portée et l'échelle de ces deux réseaux soulève des questions de recherche fondamentales sur la manière d’optimiser ces réseaux. Certains des objectifs principaux comprennent le provisioning de ressources à la demande, la détection des anomalies, l'efficacité énergétique et la qualité de service. Malgré les différences dans la conception et les technologies de mise en œuvre, les réseaux de transport et les réseaux de communications partagent des structures fondamentales communes, et présentent des caractéristiques spatio-temporelles dynamiques similaires. En conséquence, ils existent les défis communs dans l’optimisation de ces deux réseaux : le profil du trafic, la prédiction de la mobilité, l’agrégation de trafic, le clustering des nœuds et l'allocation de ressources. Pour atteindre les objectifs d'optimisation et relever les défis de la recherche, différents modèles analytiques, algorithmes d'optimisation et systèmes de simulation ont été proposés et largement étudiés à travers plusieurs disciplines. Ces modèles analytiques sont souvent validés par la simulation et pourraient conduire à des résultats sous-optimaux dans le déploiement. Avec l'émergence de l’Internet, un volume massif de données de réseau urbain peuvent être collecté. Les progrès récents dans les techniques d'analyse de données Big Data ont fourni aux chercheurs de grands potentiels pour comprendre ces données. Motivé par cette tendance, l’objectif de cette thèse est d'explorer un nouveau paradigme d'optimisation des réseaux basé sur les données. Nous abordons les défis scientifiques mentionnés ci-dessus en appliquant des méthodes d'analyse de données pour l'optimisation des réseaux. Nous proposons deux algorithmes data-driven pour le clustering de trafic réseau et la prédiction de la mobilité d’utilisateur, et appliquer ces algorithmes à l'optimisation dans les réseaux de transport et de communications. Premièrement, en analysant les jeux de données de trafic à grande échelle des deux réseaux, nous proposons un algorithme de clustering à base de graphe pour mieux comprendre les similitudes de la circulation et les variations de trafic entre différents zones et heures. Sur cette base, nous appliquons l'algorithme d’agrégation (clustering) de trafic aux deux applications d'optimisation de réseau suivants : 1. Un clustering de trafic dynamique pour la planification à la demande des réseaux de vélos partagés. Dans cette application, nous regroupons dynamiquement les stations de vélos avec des motifs de trafic similaires pour obtenir des demandes de trafic groupées (en cluster) plus stables et plus prédictible, de manière à pouvoir prévoir les stations surchargés dans le réseau et à permettre une planification dynamique de réseau en fonction de la demande. Les résultats d'évaluation en utilisant les données réelles de New York City et Washington, D.C. montrent que notre solution prévoit précisément des clusters surchargés
- Open Access
- 2 December 2025
- Published by Association for Computing Machinery (ACM) in Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies
- Vol. 9 (4) , 1-32
TourismMinds: A Geo-augmented LLM Framework for Semantic-aware Trajectory Analytics and Generation
With the rise of smart cities and digital tourism, understanding tourist movement is essential for enhancing personalized experiences and informing business decisions. Traditional methods struggle to integrate multi-source data and interpret complex behaviors, while large language models (LLMs) offer untapped potential. This study proposes an LLM-driven “Perception-Modeling-Generation” framework, validated by a Kulangsu smart tourism case. First, a five-stage spatiotemporal-semantic alignment pipeline integrates GPS, social media, POI, and weather data. Second, to address LLM limitations, we introduce a knowledge-enhanced framework combining geospatially-aware LoRA fine-tuning and a hierarchical Retrieval-Augmented Generation (RAG) mechanism. This approach reduces hallucinations by 15% and boosts geographic reasoning accuracy, achieving state-of-the-art intent recognition (15% gain) and landmark identification (72% accuracy). Third, we design a reprogramming strategy with geo-semantic constraints for generating spatially plausible, personalized trajectories in data-scarce settings, showing 89% similarity to real-world data. Supported by the Kulangsu Smart Tourism System, our method provides a scalable paradigm for spatiotemporal modeling and synthetic trajectory generation, benefiting personalized services and decision-making.
- 2 December 2025
- Published by Association for Computing Machinery (ACM) in Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies
- Vol. 9 (4) , 1-32
Open AccessTourismMinds: A Geo-augmented LLM Framework for Semantic-aware Trajectory Analytics and Generation
With the rise of smart cities and digital tourism, understanding tourist movement is essential for enhancing personalized experiences and informing business decisions. Traditional methods struggle to integrate multi-source data and interpret complex behaviors, while large language models (LLMs) offer untapped potential. This study proposes an LLM-driven “Perception-Modeling-Generation” framework, validated by a Kulangsu smart tourism case. First, a five-stage spatiotemporal-semantic alignment pipeline integrates GPS, social media, POI, and weather data. Second, to address LLM limitations, we introduce a knowledge-enhanced framework combining geospatially-aware LoRA fine-tuning and a hierarchical Retrieval-Augmented Generation (RAG) mechanism. This approach reduces hallucinations by 15% and boosts geographic reasoning accuracy, achieving state-of-the-art intent recognition (15% gain) and landmark identification (72% accuracy). Third, we design a reprogramming strategy with geo-semantic constraints for generating spatially plausible, personalized trajectories in data-scarce settings, showing 89% similarity to real-world data. Supported by the Kulangsu Smart Tourism System, our method provides a scalable paradigm for spatiotemporal modeling and synthetic trajectory generation, benefiting personalized services and decision-making.
- Open Access
- 12 October 2025
- Published by Association for Computing Machinery (ACM)
- p. 395-398
LLM-TrajExplorer: Interactive 'What-If' Scenario Planning for Trajectory Dynamics in Tourist Hotspots
- 12 October 2025
- Published by Association for Computing Machinery (ACM)
- p. 395-398
Open AccessLLM-TrajExplorer: Interactive 'What-If' Scenario Planning for Trajectory Dynamics in Tourist Hotspots
- Open Access
- 12 October 2025
- Published by Association for Computing Machinery (ACM)
- p. 362-366
Engineer Cradle: LLM-Driven Digital Twin System for Personalized Learning and Lab Management in EEE
- 12 October 2025
- Published by Association for Computing Machinery (ACM)
- p. 362-366
Open AccessEngineer Cradle: LLM-Driven Digital Twin System for Personalized Learning and Lab Management in EEE
- Open Access
- 9 June 2025
- Published by Association for Computing Machinery (ACM) in Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies
- Vol. 9 (2) , 1-23
UVX-ray: Urban Village Safety Risk Diagnosis Leveraging Multi-Source Urban Data
Urban villages are a unique phenomenon in the downtown segments of major cities in developing countries. Most of them are heavily populated, intensely constructed, and lack infrastructure, bringing potential safety risks to their residents. Therefore, diagnosing which risk factors in urban villages contribute to the increased risk incidence is crucial for urban authorities to better renovate and manage these areas. However, traditional approaches, such as fire and traffic investigations, are labor-intensive and time-consuming, making it challenging to diagnose risks timely. To address this problem, we propose a data-driven framework that leverages heterogeneous urban data to diagnose urban village safety risks through risk-level prediction and risk factor analysis. First, we propose a crowdsensing-based approach to discover urban village potential risk hotspots and then collect contextual data from multiple sources to represent them comprehensively. Second, we propose a multi-modal representation paradigm of urban village potential risk hotspots in a multi-view manner that utilizes pre-trained models for feature extraction to effectively retain information about risk events. Finally, we design an explainable risk diagnosing model that not only predicts the risk level but also automatically highlights salient features (e.g., overcrowded restaurants for high fire risk level). Experiments using real-world data collected from 125 urban villages in Xiamen show that our approach predicts the fire risk level and the traffic risk level with 89.9% and 89.4% accuracy, respectively. Moreover, relevant risk factors in urban villages can be automatically identified for in-depth analysis by our approach.
- 9 June 2025
- Published by Association for Computing Machinery (ACM) in Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies
- Vol. 9 (2) , 1-23
Open AccessUVX-ray: Urban Village Safety Risk Diagnosis Leveraging Multi-Source Urban Data
Urban villages are a unique phenomenon in the downtown segments of major cities in developing countries. Most of them are heavily populated, intensely constructed, and lack infrastructure, bringing potential safety risks to their residents. Therefore, diagnosing which risk factors in urban villages contribute to the increased risk incidence is crucial for urban authorities to better renovate and manage these areas. However, traditional approaches, such as fire and traffic investigations, are labor-intensive and time-consuming, making it challenging to diagnose risks timely. To address this problem, we propose a data-driven framework that leverages heterogeneous urban data to diagnose urban village safety risks through risk-level prediction and risk factor analysis. First, we propose a crowdsensing-based approach to discover urban village potential risk hotspots and then collect contextual data from multiple sources to represent them comprehensively. Second, we propose a multi-modal representation paradigm of urban village potential risk hotspots in a multi-view manner that utilizes pre-trained models for feature extraction to effectively retain information about risk events. Finally, we design an explainable risk diagnosing model that not only predicts the risk level but also automatically highlights salient features (e.g., overcrowded restaurants for high fire risk level). Experiments using real-world data collected from 125 urban villages in Xiamen show that our approach predicts the fire risk level and the traffic risk level with 89.9% and 89.4% accuracy, respectively. Moreover, relevant risk factors in urban villages can be automatically identified for in-depth analysis by our approach.
- 6 May 2025
- Published by Springer Nature in CCF Transactions on Pervasive Computing and Interaction
- Vol. 7 (4) , 392-412
UCTB: an urban computing tool box for all-in-one spatiotemporal prediction solution
- 6 May 2025
- Published by Springer Nature in CCF Transactions on Pervasive Computing and Interaction
- Vol. 7 (4) , 392-412
UCTB: an urban computing tool box for all-in-one spatiotemporal prediction solution
- Open Access
- 22 April 2025
- Published by Association for Computing Machinery (ACM)
- p. 2238-2249
STKOpt: Automated Spatio-Temporal Knowledge Optimization for Traffic Prediction
- 22 April 2025
- Published by Association for Computing Machinery (ACM)
- p. 2238-2249
Open AccessSTKOpt: Automated Spatio-Temporal Knowledge Optimization for Traffic Prediction
- Open Access
- 21 March 2025
- Published by Frontiers Media SA in Frontiers in Big Data
- Vol. 8, 1440816
CrowdRadar: a mobile crowdsensing framework for urban traffic green travel safety risk assessment
As environmental awareness increased due to the surge in greenhouse gases, green travel modes such as bicycles and walking have gradually became popular choices. However, the current traffic environment has many hidden problems that endanger the personal safety of traffic participants and hinder the development of green travel. Traditional methods, such as identifying risky locations after traffic accidents, suffer from the disadvantages of delayed response and lack of foresight. Against this background, we proposed a mobile edge crowdsensing framework to dynamically assess urban traffic green travel safety risks. Specifically, a large number of mobile devices were used to sense the road environment, from which a semantic detection framework detected the traffic high-risk behaviors of traffic participants. Then multi-source and heterogeneous urban crowdsensing data were used to model the travel safety risk to achieve a comprehensive and real-time assessment of urban green travel safety. We evaluated our method by leveraging real-world datasets collected from Xiamen Island. Results showed that our framework could accurately detect traffic high-risk behaviors with average F1-scores of 86.5% and assessed the travel safety risk with R2 of 0.85 outperforming various baseline methods.
- 21 March 2025
- Published by Frontiers Media SA in Frontiers in Big Data
- Vol. 8, 1440816
Open AccessCrowdRadar: a mobile crowdsensing framework for urban traffic green travel safety risk assessment
As environmental awareness increased due to the surge in greenhouse gases, green travel modes such as bicycles and walking have gradually became popular choices. However, the current traffic environment has many hidden problems that endanger the personal safety of traffic participants and hinder the development of green travel. Traditional methods, such as identifying risky locations after traffic accidents, suffer from the disadvantages of delayed response and lack of foresight. Against this background, we proposed a mobile edge crowdsensing framework to dynamically assess urban traffic green travel safety risks. Specifically, a large number of mobile devices were used to sense the road environment, from which a semantic detection framework detected the traffic high-risk behaviors of traffic participants. Then multi-source and heterogeneous urban crowdsensing data were used to model the travel safety risk to achieve a comprehensive and real-time assessment of urban green travel safety. We evaluated our method by leveraging real-world datasets collected from Xiamen Island. Results showed that our framework could accurately detect traffic high-risk behaviors with average F1-scores of 86.5% and assessed the travel safety risk with R2 of 0.85 outperforming various baseline methods.