通过 Web 多视图地理空间表征学习提升 DiDi 的叫车预估
机器学习
2026-02-12 v1
摘要
叫车服务的不断扩张从根本上改变了城市交通模式，使得准确的叫车预估对于优化乘客体验和城市交通效率至关重要。然而，叫车预估面临显著挑战，包括地理空间异质性和高度易受外部事件影响。本文提出了 MVGR-Net（多视图地理空间表征学习），一个新型框架，通过两个阶段来解决这些挑战。在预训练阶段，我们通过整合地点（POI）和时间移动模式来捕获区域特征，这些特征从语义属性视图和时间移动模式视图中学习全面的地理空间表征。预测阶段利用这些表征通过一个以提示为驱动的框架来微调大型语言模型，同时融合外部事件。对 DiDi 的真实世界数据集进行了大量实验，证明了其超越当前最佳水平的性能。
引用
@article{arxiv.2602.10502,
title = {Enhancing Ride-Hailing Forecasting at DiDi with Multi-View Geospatial Representation Learning from the Web},
author = {Xixuan Hao and Guicheng Li and Daiqiang Wu and Xusen Guo and Yumeng Zhu and Zhichao Zou and Peng Zhen and Yao Yao and Yuxuan Liang},
journal= {arXiv preprint arXiv:2602.10502},
year = {2026}
}
备注
Accepted by The Web Conference 2026