arXiv cs.LG·27 天前★ 2

LLM增强时空学习预测共享单车需求

原文标题：LLM-enhanced spatio-temporal learning for grid-level docked bike sharing demand prediction

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

研究提出用大语言模型驱动「语义冲击波」机制，将市政活动日程、本地新闻等非结构化城市文本转化为量化的时空扰动场，注入零膨胀自适应时空图卷积网络。在巴塞罗那Bicing数据集上，该方法优于现有神经基线，高需求时段提升尤为明显，验证了物理化语义信号在出行预测中的价值。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 共享单车短期需求预测难以纳入市政活动、新闻等非结构化文本，异常事件下精度下降。
方法: 用 LLM 驱动「语义冲击波」，把城市文本转成每事件三个可解释参数（强度、空间范围、时间滞后）并构造高斯衰减场，注入零膨胀自适应时空图卷积网络。
结果: 巴塞罗那 Bicing 数据集上优于现有神经基线，高需求时段提升尤为明显。
影响: 给出把非结构化城市文本物理化为时空扰动场的可落地范式，可用于出行与城市调度预测。