城市级配送需求的联合估计与预测：一种基于大语言模型的图学习赋能方法
机器学习
2025-03-28 v3
摘要
电子商务和城市化的蓬勃发展显著加剧了城市地区的配送运营，提升了配送需求的量和复杂度。数据驱动的预测方法，特别是那些利用机器学习技术的方法，已经出现以处理城市配送需求管理问题中的这些复杂性。一个特别紧迫且尚未得到充分解决的问题是城市级配送需求的联合估计和预测，以及模型对新城市的泛化能力。为此，我们将此问题表述为一个可迁移的基于图的时空学习任务。首先，形式化了一个个体-集体消息传递神经网络模型，以捕捉相关区域需求模式之间的交互。其次，通过利用大语言模型（LLM）的最新进展，我们使用 LLM 生成的嵌入从非结构化位置数据中提取通用的地理空间知识编码。最后，为了鼓励模型的跨城市泛化，我们以可迁移的方式将该编码集成到需求预测器中。在两个真实世界配送数据集（包括中国和美国的八个城市）上的综合实证评估结果表明，我们的模型在准确性、效率和可迁移性方面均显著优于最先进的基线模型。
引用
@article{arxiv.2408.17258,
title = {Joint Estimation and Prediction of City-wide Delivery Demand: A Large Language Model Empowered Graph-based Learning Approach},
author = {Tong Nie and Junlin He and Yuewen Mei and Guoyang Qin and Guilong Li and Jian Sun and Wei Ma},
journal= {arXiv preprint arXiv:2408.17258},
year = {2025}
}