論文の概要: Enhancing Ride-Hailing Forecasting at DiDi with Multi-View Geospatial Representation Learning from the Web

• arxiv url: http://arxiv.org/abs/2602.10502v1
• Date: Wed, 11 Feb 2026 04:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.456017
• Title: Enhancing Ride-Hailing Forecasting at DiDi with Multi-View Geospatial Representation Learning from the Web
• Title（参考訳）: Web を用いた多視点地理空間表現学習によるDiDiにおけるライダリーディング予測の強化
• Authors: Xixuan Hao, Guicheng Li, Daiqiang Wu, Xusen Guo, Yumeng Zhu, Zhichao Zou, Peng Zhen, Yao Yao, Yuxuan Liang,
• Abstract要約: 本稿では,MVGR-Net(Multi-View Representation Learning)を提案する。 事前学習段階では、関心のポイントと時間的モビリティパターンを統合することで、総合的な地理空間表現を学習する。 予測段階は、これらの表現を、外部イベントを取り入れながら大規模言語モデルを微調整する、プロンプト駆動のフレームワークを通じて活用する。
• 参考スコア（独自算出の注目度）: 31.469002889746587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of ride-hailing services has fundamentally transformed urban mobility patterns, making accurate ride-hailing forecasting crucial for optimizing passenger experience and urban transportation efficiency. However, ride-hailing forecasting faces significant challenges due to geospatial heterogeneity and high susceptibility to external events. This paper proposes MVGR-Net(Multi-View Geospatial Representation Learning), a novel framework that addresses these challenges through a two-stage approach. In the pretraining stage, we learn comprehensive geospatial representations by integrating Points-of-Interest and temporal mobility patterns to capture regional characteristics from both semantic attribute and temporal mobility pattern views. The forecasting stage leverages these representations through a prompt-empowered framework that fine-tunes Large Language Models while incorporating external events. Extensive experiments on DiDi's real-world datasets demonstrate the state-of-the-art performance.
• Abstract（参考訳）: 配車サービスの普及は、都市移動のパターンを根本的に変え、乗客体験の最適化と都市交通効率向上に正確な配車予測を不可欠にしている。 しかしながら、ライドシェアリング予測は、地理空間的不均一性と外部イベントに対する高い感受性のため、重大な課題に直面している。 本稿では, MVGR-Net(Multi-View Geospatial Representation Learning)を提案する。 事前学習段階では,意味的属性と時間的モビリティの双方から地域特性を捉えるために,関心の点と時間的モビリティのパターンを統合することで,総合的な地理空間表現を学習する。 予測段階は、これらの表現を、外部イベントを取り入れながら大規模言語モデルを微調整する、プロンプト駆動のフレームワークを通じて活用する。 DiDiの実際のデータセットに関する大規模な実験は、最先端のパフォーマンスを示している。

関連論文リスト

• Learning Multi-Modal Mobility Dynamics for Generalized Next Location Recommendation [51.00494428978262]
  位置推薦タスクの移動力学を特徴付けるために,マルチモーダルな時空間知識を利用する。 まず、マルチモーダル表現のための統合時空間関係グラフ(STRG)を構築する。 第二に、異なるモーダルの空間時間グラフ表現を融合するゲーティング機構を設計する。
  論文  参考訳（メタデータ） (2025-12-27T14:23:04Z)
• An Efficient Occupancy World Model via Decoupled Dynamic Flow and Image-assisted Training [50.71892161377806]
  DFIT-OccWorldは、分離されたダイナミックフローとイメージアシストトレーニング戦略を活用する、効率的な3D占有世界モデルである。 提案モデルでは, 静止ボクセルはポーズ変換により容易に得られるのに対し, 既存のボクセルフローを用いて既存の観測を歪曲することで, 将来のダイナミックボクセルを予測できる。
  論文  参考訳（メタデータ） (2024-12-18T12:10:33Z)
• Geolocation Representation from Large Language Models are Generic Enhancers for Spatio-Temporal Learning [10.438284728725842]
  普遍表現モデルは、自然言語処理やコンピュータビジョンで広く使われているよりも一般的ではない。 この相違は、主に既存の表現モデルの入力に関連する高コストから生じる。 本研究では,大規模言語モデルを用いて位置情報表現を導出する学習自由手法を開発した。
  論文  参考訳（メタデータ） (2024-08-22T04:05:02Z)
• SMA-Hyper: Spatiotemporal Multi-View Fusion Hypergraph Learning for Traffic Accident Prediction [2.807532512532818]
  現在のデータ駆動モデルは、しばしばデータ空間と多様な都市データソースの統合に苦しむ。 本稿では,交通事故予測のための動的学習フレームワークを提案する。 これは、高次のクロスリージョン学習を可能にするデュアル適応グラフ学習機構を組み込んでいる。 また、事故データと都市機能の複数のビューを融合させる事前注意機構も採用している。
  論文  参考訳（メタデータ） (2024-07-24T21:10:34Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Attentive Graph Enhanced Region Representation Learning [7.4106801792345705]
  都市部を正確にかつ包括的に表現することは,様々な都市計画・分析業務に不可欠である。 本研究では,複数のグラフから包括的依存関係を抽出し,都市域のリッチな意味表現を学習することを目的としたAttentive Graph Enhanced Region Representation Learning (ATGRL)モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-06T16:38:43Z)
• Event-Aware Multimodal Mobility Nowcasting [11.540605108140538]
  イベント認識型時間ネットワークEAST-Netは、ソーシャルデータセットの多種多様な実世界のデータセットで評価される。 その結果、最先端のベースラインと比較して、我々のアプローチの優位性を検証した。
  論文  参考訳（メタデータ） (2021-12-14T12:35:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。