Spatio-Temporal Graph Convolutional Network Combined Large Language Model: A Deep Learning Framework for Bike Demand Forecasting

这项研究提出了一种新的深度学习框架，将时空图卷积网络（STGCN）与大型语言模型（LLM）相结合，用于自行车需求预测。该框架解决了将离散数据集转换和整合非结构化语言数据的挑战，利用LLMs从兴趣点（POI）文本数据中提取洞见。所提出的STGCN-L模型表现出与现有模型相当的竞争性能，展示了其在预测自行车需求方面的潜力。使用费城数据集的实验突出了混合模型的有效性，并强调了进一步探索和增强的必要性，例如将天气数据等其他特征纳入模型以提高准确性。

本论文旨在解决自行车需求预测中的数据离散化和非结构化文本数据集成的挑战。

该论文提出了一种新的深度学习框架，将Spatio-Temporal Graph Convolutional Network（STGCN）与Large Language Model（LLM）相结合，利用LLM从POI文本数据中提取信息，实现自行车需求预测。

论文使用Philadelphia数据集进行实验，证明了STGCN-L模型相比现有模型具有竞争力，值得进一步探索和改进，例如加入天气数据以提高准确性。

在这个领域中的其他相关研究包括：'Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction'、'A Deep Learning Approach for Demand Forecasting of New Mobility Services'、'Spatio-Temporal Graph Convolutional Neural Networks: A Deep Learning Framework for Traffic Forecasting'等。