★ 2
LLM增强时空学习预测共享单车需求
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。
arXiv cs.LG27 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
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。