論文の概要: LLM-enhanced spatio-temporal learning for grid-level docked bike sharing demand prediction

• arxiv url: http://arxiv.org/abs/2610.03834v1
• Date: Fri, 02 Oct 2026 12:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:55:47.491633
• Title: LLM-enhanced spatio-temporal learning for grid-level docked bike sharing demand prediction
• Title（参考訳）: グリッドレベルのドッキング自転車共有需要予測のためのLLM強化時空間学習
• Abstract要約: 短期の自転車シェアリング需要予測は時空間非定常性によって複雑である。 本研究では,大規模言語モデルを用いて,自由形式の都市テキストを定量的に空間・時間的摂動場に変換するセマンティックショック波機構を駆動するフレームワークを提案する。 動作中のバルセロナバイシングデータセットの実験は、ZI-ASTGCNが確立された神経ベースラインより優れていることを示している。
• 参考スコア（独自算出の注目度）: 1.7403133838762448
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Short-term bike-sharing demand forecasting is complicated by spatial-temporal non-stationarity and the practical difficulty of incorporating unstructured external text into numerical pipelines. Conventional approaches rely on historical flow sequences and fixed graph structures, thereby constraining their accuracy when anomalous social events perturb normal travel patterns. We propose a forecasting framework in which a Large Language Model (LLM) drives a semantic shockwave mechanism that converts free-form urban text, such as municipal event schedules, local news, and transit bulletins, into quantified spatial-temporal perturbation fields. The LLM extracts three physically interpretable parameters per event (intensity, spatial reach, and temporal lag), from which Gaussian decay fields are constructed and injected into a Zero-Inflated Adaptive Spatio-Temporal Graph Convolutional Network (ZI-ASTGCN). To handle the pronounced sparsity of grid-level measurements, the model couples a dual-branch output head with a multi-task zero-inflated loss that jointly trains a gating probability and a conditional flow intensity. Experiments on the operational Barcelona Bicing dataset show that ZI-ASTGCN outperforms established neural baselines, with particularly strong gains during high-demand periods, validating the utility of physics-grounded semantic signals in spatial-temporal mobility forecasting.
• Abstract（参考訳）: 短期の自転車シェアリング需要予測は、時空間非定常性と非構造外部テキストを数値パイプラインに組み込むことの現実的な困難さによって複雑である。 従来のアプローチは、過去のフローシーケンスと固定されたグラフ構造に依存しており、社会的事象が通常の旅行パターンを乱すときにその正確さを制限している。 本研究では,大規模言語モデル(LLM)が,自治体のイベントスケジュールや地域ニュース,交通報知などの自由形式の都市テキストを,空間的空間的摂動場に定量化する意味衝撃波機構を駆動する予測フレームワークを提案する。 LLMは、ガウスの崩壊場を構築し、ゼロインフレした適応時空間グラフ畳み込みネットワーク(ZI-ASTGCN)に注入するイベント毎に3つの物理的解釈可能なパラメータ(強度、空間範囲、時間ラグ)を抽出する。 グリッドレベルの測定の鮮明さに対処するため、モデルではデュアルブランチ出力ヘッドとマルチタスクゼロインフレード損失を結合し、ゲーティング確率と条件流強度を併用する。 動作中のバルセロナバイシングデータセットの実験によると、ZI-ASTGCNは確立された神経ベースラインよりも優れており、特に要求の高い期間に強い利得を示し、空間時間的移動予測における物理基底セマンティックシグナルの有用性を検証する。

関連論文リスト

• STKAN: Kolmogorov-Arnold Networks for Spatio-Temporal Forecasting [30.14175741484625]
  本稿では,Kolmogo-Arnold Networkモジュールを空間的および時間的トークン混合に導入したTaylor-Nomial予測アーキテクチャSTKANを提案する。 実験の結果,STKANは5つの設定で評価された空間的相互作用ベンチマークよりも優れていた。 これらの結果から, 非線形関数近似器の設計は, 交通時空間予測におけるアーキテクチャ設計の補助となる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-14T10:18:54Z)
• Dynamics-Informed Deep Learning for Predicting Extreme Events [0.0]
  リアルタイム予測は、極端を駆動するメカニズムをエンコードする前駆体を要求する。 極端事象の長期予測のための,完全なデータ駆動型フレームワークを提案する。 断続乱流の標準モデルであるコルモゴロフ流の枠組みを実証する。
  論文  参考訳（メタデータ） (2026-03-11T13:51:17Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership [12.6020349733674]
  本稿では,システムワイドライダーシップ予測のためのハイブリッドディープラーニングモデルであるDST-TransitNetを紹介する。 ボゴタのBRTシステムデータでテストされており、3つの異なる社会的シナリオがある。 最先端のモデルを精度、効率、堅牢性で上回る。
  論文  参考訳（メタデータ） (2024-10-19T06:59:39Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• 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)
• Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event Prediction [16.530361912832763]
  本稿では,交通渋滞イベント予測のための時間グラフニューラルポイントプロセスフレームワークSTNPPを提案する。 提案手法は,既存の最先端手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-11-15T01:22:47Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)

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。