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

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

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

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

本文介绍了LaDe，这是第一个公开可用的大规模、综合、多样化的最后一英里交付数据集，包括来自工业界的10677k个包裹，并记录了21k个快递员在6个月内进行任务的时间、位置和任务事件信息。

Jun, 2023

该论文介绍了基于对比学习的对应搜索状态下的对比时空表示学习（CSRL），对应的选址偏好提取器（StPE）和对触发重要特征的时空信息过滤器（StIF）三个模块，通过在多个大规模工业数据集进行的实验证明了 CSPM 的最新性能，CSPM 已成功在阿里巴巴的在线送餐平台饿了么上部署，提高了 0.88% 的点击率，具有重要的商业影响。

Aug, 2023

提供快捷便利的即时送货服务，如食品和包裹送货，近年来取得了爆炸性增长。研究领域：服务路线与时间预测(RTP)，目的是估计给定工人的未来服务路线以及到达时间。该论文是第一份系统而全面的综述，系统地对最新的服务路线与时间预测方法进行分类，并指出当前研究的局限性和未来方向。

Sep, 2023

通过深度学习构建融合多通道数据的网络（MCDFN），提高需求预测准确性并实现可解释性，优于其他七个深度学习模型，适用于供应链管理系统且为未来研究提供方向。

May, 2024

通过构建基于强化属性异构网络嵌入方法的优质订单合并网络，以高效实时地综合各种订单，并充分利用熟练的送餐员的行为信息，该研究成功提高了在线订餐平台的订单配送质量和送餐员的工作效率。

Jun, 2024

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。

Aug, 2024