桥接：面向城市配送需求的检索增强时空建模
机器学习
2026-05-20 v1 人工智能
摘要
当新添加的服务区域缺乏历史记录时，预测城市配送需求变得异常具有挑战性。现有的时空预测模型在足够的节点历史记录可用后有效地建模空间依赖性，但仍是参数化的，因而难以在冷启动区域恢复短期运营动态。地理空间嵌入有助于识别区域位置及其功能，但并不直接揭示相似区域在可比较的时间语境下会如何行为。我们提出Bridge，一种检索增强的时空图框架，将归纳上下文图骨架与区域-时间窗口的时间感知记忆相结合。对于每个目标区域，Bridge通过区域上下文和最近动态检索记忆中的未来需求模式，并通过门控融合机制对图骨架预测进行细化。为将检索与预测实用性对齐，我们进一步训练检索器，以未来感知目标，优先选择其未来轨迹最符合目标的条目。在四个真实世界的配送数据集上进行的实验表明，Bridge在城市内冷启动和跨城市迁移（部分观察）中均显著优于有竞争力的时空基线。结果表明，当参数化图泛化单独不足时，检索增强为冷启动城市需求预测提供了有用的操作记忆。
引用
@article{arxiv.2605.19172,
title = {Bridge: Retrieval-Augmented Spatiotemporal Modeling for Urban Delivery Demand},
author = {Yihong Tang and Tong Nie and Junlin He and Qianjun Huang and Dingyi Zhuang and Lijun Sun},
journal= {arXiv preprint arXiv:2605.19172},
year = {2026}
}