LLM把城市新闻变成物理场，共享单车预测精度飙升！
LLM-enhanced spatio-temporal learning for grid-level docked bike sharing demand prediction
📖 AI 总结
针对共享单车短期需求预测中时空非平稳性以及非结构化外部文本难以融入数值模型的问题，该研究提出一种由大语言模型驱动的语义冲击波机制，将市政活动安排、本地新闻和交通公告等自由文本转化为量化的时空扰动场。模型从每类事件中提取强度、空间影响范围和时间滞后三个具有物理可解释性的参数，构建高斯衰减场并注入零膨胀自适应时空图卷积网络，同时采用双分支输出头与多任务零膨胀损失应对网格级数据的稀疏性。在巴塞罗那Bicing实际运营数据集上的实验表明，该模型优于现有神经基线，在高需求时段提升尤为显著，验证了物理化语义信号在时空出行预测中的有效性。
🔑 关键词速览
| LLM（大型语言模型） | 一种基于海量文本训练的深度学习模型，能够理解和生成自然语言，此处用于从城市文本中提取事件参数。 |
| 语义冲击波机制 | 将自由文本转化为量化时空扰动场的方法，模拟事件对出行需求的空间和时间影响。 |
| ZI-ASTGCN（零膨胀自适应时空图卷积网络） | 一种结合零膨胀建模与自适应图卷积的神经网络，用于处理稀疏的网格级时空预测任务。 |
| 零膨胀损失 | 一种多任务损失函数，同时建模零值出现的门控概率和非零值的条件强度，以应对数据稀疏性。 |
| 时空非平稳性 | 指时空数据的统计特性随时间与空间变化，导致传统固定模型难以准确预测。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅