Die Studie befasst sich mit der Herausforderung, diskrete Datensätze in kontinuierliche und stark räumlich-zeitlich abhängige Daten umzuwandeln, um ein Deep-Learning-Framework mit praktischem Anwendungswert für die Vorhersage der Nachfrage nach Fahrradverleihsystemen zu entwickeln.
Zur Überwindung der Schwierigkeiten bei der Nutzung von Textdaten in Mobilitätsmodellen wird der Einsatz von Großen Sprachmodellen (LLMs) untersucht. LLMs können wertvolle Erkenntnisse aus Textdaten zu Points of Interest (POI) extrahieren und diese nahtlos in Mobilitätsmodelle integrieren, um deren Intelligenz und kontextuelle Relevanz zu verbessern.
Das vorgeschlagene STGCN-L-Modell kombiniert das STGCN-Modell mit einem LLM-Block, um die POI-Textdaten als räumliche Merkmale zu nutzen. Die Leistung des STGCN-L-Modells wird anhand von Datensätzen aus Philadelphia evaluiert und zeigt im Vergleich zu anderen Modellen wie AGCRN und STGCN vielversprechende Ergebnisse. Weitere Verbesserungen, wie die Einbeziehung zusätzlicher Merkmale wie Wetterdaten, werden als zukünftige Forschungsrichtungen identifiziert.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Peisen Li,Yi... alle arxiv.org 03-26-2024
https://arxiv.org/pdf/2403.15733.pdfDomande più approfondite