LLM 增强时空学习：网格级有桩共享单车需求预测

由于时空非平稳性以及将非结构化外部文本纳入数值管道的实际困难，短期共享单车需求预测变得复杂。传统方法依赖于历史流序列和固定图结构，从而在异常社会事件扰乱正常旅行模式时限制了其准确性。我们提出了一个预测框架，其中 大语言模型 (LLM) 驱动语义冲击波机制，将自由形式的城市文本（例如市政活动时间表、当地新闻和交通公告）转换为量化的时空扰动场。 LLM 为每个事件提取三个物理可解释的参数（强度、空间范围和时间滞后），从中构建高斯衰减场并将其注入零膨胀自适应时空图卷积网络 (ZI-ASTGCN)。为了处理网格级测量的明显稀疏性，该模型将双分支输出头与多任务零膨胀损失相结合，共同训练门控概率和条件流强度。在巴塞罗那 Bicing 数据集上进行的实验表明，ZI-ASTGCN 的性能优于既定的神经基线，在高需求时期收益尤其强劲，验证了基于物理的语义信号在时空流动性预测中的实用性。