热点事件持续更新
研究团队提出结合大模型的时空交通需求预测框架
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月6日，arXiv发布一项关于网格级有桩共享单车需求预测的研究。该研究提出结合大语言模型（LLM）与零膨胀自适应时空图卷积网络（ZI-ASTGCN）的预测框架。该框架利用LLM从市政日程和新闻等文本中提取强度、空间范围与时间滞后参数以构建高斯衰减扰动场，并通过双分支结构与多任务零膨胀损失应对数据稀疏性问题。在巴塞罗那Bicing数据集上的实验表明，ZI-ASTGCN性能优于既有基线，并在高需求时段展现出尤为显著的提升效果。
AI 根据报道生成 · 3 小时前更新
最新进展10月6日 12:00
研究提出结合LLM与ZI-ASTGCN的共享单车需求预测框架，在巴塞罗那数据集上表现优于既有基线。报道时间线
沿着报道，了解事件的不同侧面。
10月6日
- arXiv 机器学习基于 LLM 增强时空学习的网格级有桩共享单车需求预测
研究提出结合 LLM 与零膨胀自适应时空图卷积网络（ZI-ASTGCN）的预测框架，用于网格级有桩共享单车需求预测。该框架利用 LLM 从市政日程和新闻等文本中提取强度、空间范围与时间滞后参数构建高斯衰减扰动场，并采用双分支结构与多任务零膨胀损失处理数据稀疏性。在巴塞罗那 Bicing 数据集上的实验表明，ZI-ASTGCN 性能优于既有基线，在高需求时段提升尤为显著。
本事件热度走势
当前热度 9·可比范围峰值 10（10月6日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。