Aug, 2024

城市配送需求的联合估计与预测：一种大语言模型赋能的图学习方法

HTML
PDF
TL;DR本研究解决了城市配送需求联合估计与预测的问题，这在现有文献中尚未得到充分探讨。通过构建基于图的时空学习任务，该研究结合了消息传递神经网络和大型语言模型的地理空间知识编码，显著提升了模型的预测性能。实证结果表明，该模型在处理中国和美国的真实配送数据集时，优于现有的先进基线方法。
发现论文，激发创造
  • 出租车需求供给预测：空间划分对神经网络性能的影响

    本文探讨了适当选择网格化策略对于时空出租车需求供给建模框架的重要性，并使用印度孟买和美国纽约的出租车需求供应GPS数据比较了变尺寸多边形基础的 Voronoi 网格和固定尺寸的 Geohash 网格。通过使用 LSTM 神经网络模型，将邻居的空间信息纳入模型，我们发现利用基于变尺寸多边形网格的输入特征的 LSTM 模型表现更好，这表明需要探索多种空间划分技术以提高神经网络模型的预测性能。

    Dec, 2018

  • STG2Seq：面向多阶段乘客需求预测的时空图到序列模型

    本文提出了一种基于图的多步城市乘客需求预测模型，使用层次图卷积结构同时捕捉空间和时间相关性，结果表明该模型在三个真实数据集上表现出色。

    May, 2019

  • 采用图网络和时序引导嵌入的时空数据需求预测

    本研究提出了一种名为TGNet的新的需求预测模型，它集成了图网络和时间导向嵌入，能够高效提取复杂的时空模式，并在其三个实际数据集中取得了与基线模型相当的预测表现，在参数数量上却大幅节省。

    May, 2019

  • 使用时空编码器-解码器残差多图卷积网络预测出行需求的起点和终点

    本文提出了一种基于深度学习的新模型ST-ED-RMGC，用于准确预测不同OD对的出租车需求。在曼哈顿出租车数据集的广泛实验中，该模型的表现优于现有技术。

    Oct, 2019

  • 一种上下文整合的关系时空模型，用于需求和供给预测

    本研究提出了一种新的上下文集成图神经网络模型（ CIGNN ），它利用时空、联系和动态上下文依赖性进行前多步需求预测。研究表明，与现有的最先进的基线相比，CIGNN在周期性和非周期性时间序列网络中一致优于其他方法。

    Sep, 2020

  • 基于归纳图变换的送货时间估计模型

    本文提出一种基于归纳图转换器（IGT）的回归函数方法，通过原始特征信息与结构图数据进行参数训练，以预估出物流包裹的交付时间，实验结果表明该方法可以显著提高交付时间的估计精度。

    Nov, 2022

  • 异构图神经网络中的半分散式推理用于交通需求预测：一种边缘计算方法

    通过使用云端边缘多个中等大小和高吞吐量的通信网络，提出了一种半分散的方法，以改进出租车需求和供应量预测，该方法结合了集中和分散设置的最佳功能，并且对于出租车需求和供应预测具有GNN-LSTM算法的优势。

    Feb, 2023

  • 利用时空 Tweedie 模型进行 0 膨胀和长尾旅行需求预测的不确定性量化

    介绍了一种名为空间-时间 Tweedie 图神经网络（STTD）的新方法，该方法应用 Tweedie 分布来参数化旅行需求分布，结合空间和时间嵌入来解决高分辨率 O-D 矩阵中的稀疏性和长尾特征，并有效提高了预测的精度和置信区间的准确性。

    Jun, 2023

  • 基于图神经网络的概率性需求预测

    该研究论文在需求预测中通过整合图神经网络到先进的DeepAR模型，并利用文章属性相似性构建图形，提出了一种解决独立文章预测和相关文章交互的方法，实验结果表明该方法在真实数据集上始终优于非图形基准，同时产生了对下游业务任务有用的文章嵌入。

    Jan, 2024

  • 基于多图诱导表示学习的城市轨道交通大规模需求预测

    该研究针对城市轨道交通（URT）网络在运营不确定性下的需求预测问题，提出了一种名为多图诱导表示学习（mGraphSAGE）的起止点需求预测模型。研究表明，利用多个图形且考虑运营不确定性（如列车延误和取消）可以显著提升需求预测的准确性，并在不同规模的URT网络中验证了该模型的有效性，尤其在不确定性条件下其表现超越了传统机器学习方法。

    Aug, 2024