摘要：

近年来,随着移动互联网普及与城市化进程加快,网约车出行已成为城市交通体系的重要组成部分。网约车平台的高效运营依赖于对供需关系的精细化时空感知与预测,预测精度直接影响调度合理性与服务质量。供需预测中,时空因素至关重要:一方面,城市空间受路网分隔与行政边界制约,规则格网划分难以贴合真实路网且未顾及时段动态特性;另一方面,大型活动与极端天气等外部事件对局部供需具有突发性影响,依赖单一时序数据的模型难以刻画此类非平稳扰动。
基于以上背景,本项目拟从以下三个关键科学问题展开研究:(1)如何引入路网拓扑与行政边界等多维约束,构建动态可调整的多层次时空划分方法,实现复杂城市环境下空间同质区域的精细刻画与多层次表达;(2)如何有效融合时空数据、事件文本与街景影像等多模态信息,构建大模型驱动的统一时空预测框架,实现城市出行关键业务指标的多场景精准预测;(3)如何以时空划分与时空预测的应用效果为反馈信号,驱动时空表征向量库的持续迭代优化,实现跨任务场景下表征语义区分与泛化能力的同步提升。
本项目拟围绕网约车场景中的供需预测问题,统筹路网约束的多层次时空划分、多模态大模型驱动的时空预测与应用反馈驱动的表征优化,形成"智能划分—精准预测—表征优化"协同迭代框架,提升模型对复杂城市环境下供需变化的感知与刻画能力,为精细化调度与精准预测提供系统支撑。

合作单位

2026年CCF-滴滴盖亚学者科研基金

Q.E.D.