基于延迟条件的地铁客流预测大语言模型提示词优化方法

准确预测地铁系统在延迟条件下的短期客流对于应急响应和服务恢复具有重要意义，这些问题目前存在显著挑战且研究不足。由于延迟事件罕见发生，在延迟条件下的样本数量有限，导致常规模型难以有效捕捉延迟对客流影响的复杂作用，预测准确率较低。鉴于大语言模型（LLM）在少样本学习方面的优势，包括其强大的预训练能力、上下文理解能力以及零样本和少样本推理能力，我们提出一种在延迟条件下进行客流预测的框架，将 LLM 与仔细设计的提示词工程相结合。通过优化提示词设计，我们使 LLM 能够理解延迟事件信息和从历史客流数据中捕捉模式，从而克服了在延迟条件下进行客流预测的挑战。该框架的提示词工程包含两个主要阶段：系统化提示词生成和提示词优化。在提示词生成阶段，将多源数据转换为 LLM 可理解的描述性文本并存储。在提示词优化阶段，我们采用多维链式思维（Chain of Thought, CoT）方法对提示词进行优化。我们通过使用针对中国深圳地铁延迟条件下客流预测的真实世界数据集进行实验来验证所提出的框架。实验结果表明，所提出的模型在延迟条件下进行客流预测方面表现尤为出色。