基于LLM驱动依赖检索与GeoTransformer的新一代城市预测统一框架
人工智能
2025-06-18 v4 机器学习
摘要
城市预测通过两种主要方法从高维空间数据中获益：依赖预定义空间结构的基于图的方法，以及专注于学习表达性城市表征的基于区域的方法。尽管这些方法奠定了坚实基础，但它们要么严重依赖结构化空间数据，要么难以适应任务特定的依赖关系，要么未能整合整体城市语境。此外，尚无现有框架系统地整合这两种范式并克服各自的局限性。为填补这一空白，我们提出了一种新颖的用于高维城市预测的统一框架，由三个关键组件组成：（1）城市区域表征模块，用于组织每个区域的潜在嵌入和语义描述；（2）任务感知依赖检索模块，根据自然语言提示选择相关语境区域；（3）预测模块，以我们提出的GeoTransformer架构为例，采用一种新颖的地理空间注意力机制，将空间邻近性和信息熵作为先验。我们的框架是模块化的，支持多种表征方法和预测模型，甚至可以在最少输入下运行。在六个城市预测任务上的定量实验和定性分析展示了强大的任务泛化能力，并验证了该框架的有效性。
引用
@article{arxiv.2408.08852,
title = {A Unified Framework for Next-Gen Urban Forecasting via LLM-driven Dependency Retrieval and GeoTransformer},
author = {Yuhao Jia and Zile Wu and Shengao Yi and Yifei Sun and Xiao Huang},
journal= {arXiv preprint arXiv:2408.08852},
year = {2025}
}