核心概念
Dieser Forschungsbeitrag präsentiert ein neues Deep-Learning-Framework, das Spatio-Temporal Graph Convolutional Network (STGCN) mit einem Großen Sprachmodell (LLM) kombiniert, um die Nachfrage nach Fahrradverleihsystemen vorherzusagen. Das vorgeschlagene STGCN-L-Modell zeigt im Vergleich zu bestehenden Modellen eine wettbewerbsfähige Leistung und demonstriert das Potenzial zur Vorhersage der Fahrradnachfrage.
摘要
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.
統計資料
Die Nachfrage nach Fahrradverleihsystemen in Philadelphia variiert stark an verschiedenen Orten und zu unterschiedlichen Zeiten.
Die Verteilung der Geschäfts-POIs in Philadelphia ist sehr ungleichmäßig.
Nicht alle Regionen verfügen über vollständige Daten zu Fahrradverleihsystemnachfrage und Yelp-Sprachdaten.
引述
"Spatio-Temporal Graph Convolutional Network combined Large Language Model: A Deep Learning Framework for Bike Demand Forecasting"
"Addressing challenges in transforming discrete datasets and integrating unstructured language data, the framework leverages LLMs to extract insights from Points of Interest (POI) text data."
"The proposed STGCN-L model demonstrates competitive performance compared to existing models, showcasing its potential in predicting bike demand."