大语言模型驱动的语义量化网约车时空需求预测方法

doi:10.11772/j.issn.1001-9081.2025070885

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2467-2476.DOI: 10.11772/j.issn.1001-9081.2025070885

大语言模型驱动的语义量化网约车时空需求预测方法

张悦¹, 郭羽含²()

^1.辽宁工程技术大学软件学院，辽宁葫芦岛 125105
^2.浙江科技大学人工智能与信息工程学院，杭州 310023

收稿日期:2025-08-04 修回日期:2025-10-14 接受日期:2025-10-15 发布日期:2025-11-05 出版日期:2026-08-10
通讯作者: 郭羽含
作者简介:张悦（2000—），女，河北保定人，硕士研究生，主要研究方向：智能算法、人工智能
郭羽含（1983—），男，黑龙江哈尔滨人，副教授，博士，CCF会员，主要研究方向：智能算法、车辆调度问题、供应链优化问题。
基金资助:
浙江省自然科学基金探索项目(LMS25G010003);浙江省教育厅科研项目(Y202454572)

Ride-hailing spatio-temporal demand forecasting method via large language model-driven semantic quantification

Yue ZHANG¹, Yuhan GUO²()

^1.School of Software，Liaoning Technical University，Huludao Liaoning 125105，China
^2.School of Artificial Intelligence and Information Engineering，Zhejiang University of Science and Technology，Hangzhou Zhejiang 310023，China

Received:2025-08-04 Revised:2025-10-14 Accepted:2025-10-15 Online:2025-11-05 Published:2026-08-10
Contact: Yuhan GUO
About author:ZHANG Yue， born in 2000， M. S. candidate. Her research interests include intelligent algorithm， artificial intelligence.
Supported by:
Natural Science Foundation of Zhejiang Province(LMS25G010003);Scientific Research Project of Education Department of Zhejiang Province(Y202454572)

摘要/Abstract

摘要：

网约车需求预测的精度会直接影响城市运力资源配置的效率与交通运行的效能。现有的预测方法在应对非常规交通事件时，因缺乏对时间序列多模态模式的全局捕获能力及对异常流量的精细化建模机制而预测精度显著下降。针对该问题，提出基于Llama3模型的领域适配微调与事件信息语义融合的数据增强方法，并构建包含事件重要系数和拥堵影响系数等多维特征的量化表征体系，从而实现非结构化事件描述到结构化数值特征的转换。同时，融合Informer编码器的长时序全局建模能力与双向门控循环单元（GRU）的局部序列动态捕捉优势，设计InformerGRU （Informer with Gated Recurrent Unit）双路径协同架构，通过自适应特征融合层实现多尺度特征智能聚合。基于真实数据的实验结果表明，所提出的数据增强方法使异常流量场景下的模型均方误差（MSE）降低了71.44%，高流量峰值预测能力显著提升；相较于Informer，InformerGRU模型的平均绝对误差（MAE）降低了4.33%，方向准确度相对提升了2.68%。

关键词: 大语言模型, 网约车需求, 事件表征, 语义量化, 时空预测, 数据增强

Abstract:

The accuracy of demand forecasting for ride-hailing services will affect the efficiency of urban transportation resource allocation and traffic operation directly. The existing ride-hailing demand forecasting methods suffer significant accuracy degradation during non-recurrent traffic events due to insufficient global multimodal pattern capturing capability and inadequate refined abnormal flow modeling mechanism. To address this issue， a data augmentation method based on Llama3 was proposed， integrating domain-adaptive fine-tuning with semantic event information fusion， and a quantitative representation system was constructed， incorporating event importance and congestion impact coefficients， thereby converting unstructured event descriptions into structured numerical features. At the same time， a dual-path collaboration architecture named InformerGRU （Informer with Gated Recurrent Unit） was designed， combining the Informer encoder’s long-sequence global modeling capability with the dynamic local-sequence capturing advantages of bidirectional Gated Recurrent Units （GRU）， so as to realize intelligent aggregation of multi-scale features through an adaptive feature fusion layer. Real-world experimental results demonstrate that the proposed data augmentation method reduces the model Mean Squared Error （MSE） by 71.44% in abnormal traffic flow scenarios， with enhanced peak forecasting capability. Compared to Informer， InformerGRU model achieves 4.33% lower Mean Absolute Error （MAE） and improves the direction accuracy by 2.68%.

Key words: Large Language Model (LLM), ride-hailing demand, event representation, semantic quantification, spatio-temporal forecasting, data augmentation

中图分类号:

TP391.4

张悦, 郭羽含. 大语言模型驱动的语义量化网约车时空需求预测方法[J]. 计算机应用, 2026, 46(8): 2467-2476.

Yue ZHANG, Yuhan GUO. Ride-hailing spatio-temporal demand forecasting method via large language model-driven semantic quantification[J]. Journal of Computer Applications, 2026, 46(8): 2467-2476.

图/表 14

参考文献 36

[1]	郭羽含，钱一炀，钱亚冠. 基于时空预测的多策略网约车调度算法［J］. 计算机应用研究， 2025， 42（4）： 1034-1043.
	Guo Yuhan， Qian Yiyang， Qian Yaguan. Multi-strategy ride-hailing dispatching algorithm based on spatio-temporal prediction［J］. Application Research of Computers， 2025， 42（4）： 1034-1043.
[2]	Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need［C］// NeurIPS 2017. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
[3]	Zhou H， Zhang S， Peng J， et al. Informer： beyond efficient transformer for long sequence time-series forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（12）： 11106-11115.
[4]	Wu H， Xu J， Wang J， et al. Autoformer： decomposition transformers with auto-correlation for long-term series forecasting［C］// NeurIPS 2021. Red Hook： Curran Associates Inc.， 2021： 22419-22430.
[5]	Zhou T， Ma Z， Wen Q， et al. FEDformer： frequency enhanced decomposed transformer for long-term series forecasting［J］. Proceedings of Machine Learning Research， 2022， 162： 27268-27286.
[6]	陈志举，刘锴，王江波. 网约车出行分布时空模式及其时间序列模式识别［J］. 地球信息科学学报， 2024， 26（10）： 2229-2242.
	Chen Zhiju， Liu Kai， Wang Jiangbo. Time series variation pattern recognition of spatiotemporal distribution patterns of ride-hailing［J］. Journal of Geo-information Science， 2024， 26（10）： 2229-2242.
[7]	Wan J， Xia N， Yin Y， et al. TCDformer： a Transformer framework for non-stationary time series forecasting based on trend and change-point detection［J］. Neural Networks， 2024， 173： No.106196.
[8]	Luo D， Wang X. ModernTCN： a modern pure convolution structure for general time series analysis［EB/OL］. （2024-03-22）［2025-06-10］..
[9]	Wu H， Hu T， Liu Y， et al. TimesNet： temporal 2D-variation modeling for general time series analysis［PP/OL］. V3. arXiv （2023-04-12）［2025-06-10］..
[10]	Zhong S， Song S， Li G， et al. MSD-Mixer： a multi-scale decomposition MLP-mixer for time series analysis［C］// Proceedings of the 2024 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE， 2024： 8552-8556.
[11]	Cai W， Liang Y， Liu X， et al. MSGNet： learning multi-scale inter-series correlations for multivariate time series forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2024， 38（10）： 11141-11149.
[12]	Xue W， Zhou T， Wen Q， et al. CARD： channel aligned robust blend transformer for time series forecasting［PP/OL］. V5. arXiv （2024-02-16）［2025-06-10］..
[13]	Goswami M， Szafer K， Choudhry A， et al. MOMENT： a family of open time-series foundation models［J］. Proceedings of Machine Learning Research， 2024， 235： 16115-16152.
[14]	Jin M， Wang S， Ma L， et al. Time-LLM： time series forecasting by reprogramming large language models［PP/OL］. V2. arXiv （2024-01-29）［2025-06-10］..
[15]	Liu Y， Hu T， Zhang H， et al. iTransformer： inverted Transformers are effective for time series forecasting［PP/OL］. V4. arXiv （2024-03-14）［2025-06-10］..
[16]	Cho K， van Merriënboer B， Gulcehre C， et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation［C］// EMNLP 2014. Stroudsburg： ACL， 2014： 1724-1734.
[17]	樊云阁，吕玉辉，韩红旗. 基于情境感知注意机制的出租车需求深度学习预测模型［J］. 计算机应用与软件， 2023， 40（7）： 41-49， 96.
	Fan Yunge， Yuhui Lyu， Han Hongqi. Deep learning prediction model of taxi demand based on context aware attention mechanism［J］. Computer Applications and Software， 2023， 40（7）： 41-49， 96.
[18]	Nie Y， Nguyen N H， Sinthong P， et al. A time series is worth 64 words： long-term forecasting with Transformers［PP/OL］. V2. arXiv （2023-03-04）［2025-06-10］..
[19]	Zhang Y， Ma L， Pal S， et al. Multi-resolution time-series transformer for long-term forecasting［J］. Proceedings of Machine Learning Research， 2024， 238： 4222-4230.
[20]	Chen P， Zhang Y， Cheng Y， et al. Pathformer： multi-scale Transformers with adaptive pathways for time series forecasting［PP/OL］. V5. arXiv （2024-09-15）［2025-06-10］..
[21]	Oreshkin B N， Carpov D， Chapados N， et al. N-BEATS： neural basis expansion analysis for interpretable time series forecasting［PP/OL］. V4. arXiv （2020-02-20）［2025-06-10］..
[22]	Chen J， Fan J， Liu Z， et al. Segformer： segment-based Transformer with decomposition for long-term series forecasting［C］// ICNN 2023. Piscataway： IEEE， 2023： 1-8.
[23]	Su H， Wang X， Qin Y， et al. A GCN-based adaptive graph self-attention for transformer long sequence time-series forecasting［C］// CIKM 2021. New York： ACM， 2021： 1774-1784.
[24]	周云彤，熊卫华，姜明. 基于多图时空图卷积神经网络的网约车需求预测［J］. 计算机系统应用， 2021， 30（5）： 214-218.
	Zhou Yuntong， Xiong Weihua， Jiang Ming. Prediction of ride-hailing demand based on multi-graph spatial-temporal graph CNN［J］. Computer Systems and Applications， 2021， 30（5）： 214-218.
[25]	Fraikin A， Bennetot A， Allassonnière S. T-Rep： representation learning for time series using time-embeddings［PP/OL］. V3. arXiv （2024-03-09）［2025-06-10］. .
[26]	Wan S， Luo S， Zhu H. Causal probabilistic spatio-temporal fusion transformers in two-sided ride-hailing markets［EB/OL］. （2023-05-06）［2025-06-10］..
[27]	Wang N， Zheng L， Shen H， et al. Ride-hailing origin-destination demand prediction with spatiotemporal information fusion［J］. Transportation Safety and Environment， 2024， 6（2）： No.tdad026.
[28]	郭羽含，李文华，钱亚冠. 融合时空流差的网约车双模式混合调度算法［J］. 计算机工程， 2024， 50（6）： 377-393.
	Guo Yuhan， Li Wenhua， Qian Yaguan. Dual-mode hybrid scheduling algorithm for online car-hailing fusion spatiotemporal flow difference［J］. Computer Engineering， 2024， 50（6）： 377-393.
[29]	Zhang Y， Yan J. Crossformer： Transformer utilizing cross-dimension dependency for multivariate time series forecasting［EB/OL］. （2023-03-02）［2025-06-10］..
[30]	Xiao J， Liu R， Dyer E L. GAFormer： enhancing timeseries Transformers through group-aware embeddings［EB/OL］. （2024-04-17）［2025-06-10］..
[31]	Bahri O， Boubrahimi S F， Hamdi S M. Shapelet-based counterfactual explanations for multivariate time series［PP/OL］. V1. arXiv （2022-08-22）［2025-06-10］..
[32]	Sivill T， Flach P. LIMESegment： meaningful， realistic time series explanations［J］. Proceedings of Machine Learning Research， 2022， 151： 3418-3433.
[33]	Vielhaben J， Lapuschkin S， Montavon G， et al. Explainable AI for time series via virtual inspection layers［J］. Pattern Recognition， 2024， 150： No.110309.
[34]	Cheng Z， Yang Y， Wang W， et al. Time2Graph： revisiting time series modeling with dynamic shapelets［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（4）： 3517-3524.
[35]	Meng H， Wagner C， Triguero I. Explaining time series classifiers through meaningful perturbation and optimisation［J］. Information Sciences， 2023， 645： No.119334.
[36]	Hochreiter S， Schmidhuber J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.

特征类别	特征名称	描述
时间特征	date	日期
位置特征	row_id	行
位置特征	col_id	列
气象特征	Temperature	温度
	WindSpeed	风速
	Weather	天气
事件特征	Holiday	节假日
	Inflow	需求量
	event_coefficient	事件系数
	congestion_coefficient	拥堵系数
	base_importance	基础重要性
	event_impact_factor	事件影响因子
	event_radius	事件影响半径
	event_duration	事件持续时间

特征类别	特征名称	描述
时间特征	date	日期
位置特征	row_id	行
位置特征	col_id	列
气象特征	Temperature	温度
	WindSpeed	风速
	Weather	天气
事件特征	Holiday	节假日
	Inflow	需求量
	event_coefficient	事件系数
	congestion_coefficient	拥堵系数
	base_importance	基础重要性
	event_impact_factor	事件影响因子
	event_radius	事件影响半径
	event_duration	事件持续时间

模型	TaxiBJ					TaxiBJ-E
模型	MSE	MAE	RMSE	R²	DA/%	MSE	MAE	RMSE	R²	DA/%
GRU	0.585 2	0.503 5	0.765 0	0.373 5	3.91	0.585 2	0.502 9	0.765 0	0.373 5	3.91
LSTM	0.585 5	0.503 5	0.765 2	0.373 2	3.88	0.586 2	0.504 5	0.812 4	0.383 1	4.37
Transformer	0.031 7	0.122 4	0.177 9	0.957 4	79.01	0.027 7	0.114 8	0.166 6	0.962 6	79.85
Informer	0.019 4	0.095 1	0.139 4	0.979 2	85.84	0.019 6	0.096 9	0.142 0	0.978 4	85.40
Autoformer	0.023 8	0.104 2	0.154 2	0.968 0	84.17	0.020 9	0.097 9	0.144 5	0.971 9	85.27
TimesNet	0.115 6	0.243 2	0.340 1	0.844 2	68.96	0.119 6	0.245 6	0.345 8	0.839 0	69.18
iTransformer	0.595 6	0.545 7	0.753 4	0.385 6	3.98	0.501 5	0.548 7	0.845 7	0.391 4	4.19
Pathformer	0.288 5	0.232 9	0.537 1	0.662 1	81.34	0.182 2	0.176 4	0.426 9	0.778 3	87.43
InformerGRU	0.017 8	0.090 2	0.133 5	0.980 9	87.15	0.019 5	0.092 7	0.139 6	0.979 2	87.69

模型	TaxiBJ					TaxiBJ-E
模型	MSE	MAE	RMSE	R²	DA/%	MSE	MAE	RMSE	R²	DA/%
GRU	0.585 2	0.503 5	0.765 0	0.373 5	3.91	0.585 2	0.502 9	0.765 0	0.373 5	3.91
LSTM	0.585 5	0.503 5	0.765 2	0.373 2	3.88	0.586 2	0.504 5	0.812 4	0.383 1	4.37
Transformer	0.031 7	0.122 4	0.177 9	0.957 4	79.01	0.027 7	0.114 8	0.166 6	0.962 6	79.85
Informer	0.019 4	0.095 1	0.139 4	0.979 2	85.84	0.019 6	0.096 9	0.142 0	0.978 4	85.40
Autoformer	0.023 8	0.104 2	0.154 2	0.968 0	84.17	0.020 9	0.097 9	0.144 5	0.971 9	85.27
TimesNet	0.115 6	0.243 2	0.340 1	0.844 2	68.96	0.119 6	0.245 6	0.345 8	0.839 0	69.18
iTransformer	0.595 6	0.545 7	0.753 4	0.385 6	3.98	0.501 5	0.548 7	0.845 7	0.391 4	4.19
Pathformer	0.288 5	0.232 9	0.537 1	0.662 1	81.34	0.182 2	0.176 4	0.426 9	0.778 3	87.43
InformerGRU	0.017 8	0.090 2	0.133 5	0.980 9	87.15	0.019 5	0.092 7	0.139 6	0.979 2	87.69

特征配置	MSE	MAE	R²	相关系数	DA/%
使用事件特征	987.14	25.34	0.936 3	0.984 5	91.25
不使用事件特征	3 456.91	50.01	0.776 8	0.893 2	76.83

大语言模型驱动的语义量化网约车时空需求预测方法

Ride-hailing spatio-temporal demand forecasting method via large language model-driven semantic quantification

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 36

相关文章 15

编辑推荐

Metrics

[1]	陈木生, 付文庆, 邱晓红, 吴俊华, 温强. 基于图卷积网络和跨领域数据增强的方面级情感三元组抽取[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2432-2439.
[2]	侯迪迪, 洪少东, 付玉杰, 崔允贺, 申国伟. 基于大语言模型链接的网络安全实体识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2064-2073.
[3]	王昱麒, 张仰森, 王璞. 融合知识增强和对比学习的高中英语阅读理解模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2096-2103.
[4]	程雅典, 李颖颖, 张平, 邱芳冰, 柴晓楠, 舒玉巧. 基于双角色交互机制的心理健康大语言模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2054-2063.
[5]	朱林凯, 杨璐, 张弘杰, 吴子衿, 刘璐. LLM与SWRL驱动的跨境数据合规异构跨链智能合约生成框架[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2074-2084.
[6]	李佳航, 韩启龙, 李丽洁, 张慧. 基于大语言模型的超关系知识图谱限定符增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2043-2053.
[7]	王劲滔, 高志霖, 孟琪翔, 卜凡亮. 基于大语言模型重构案件信息的类案检索方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1785-1792.
[8]	熊龙雨, 杜圣东, 史浩琛, 胡节, 杨燕, 李天瑞. 基于知识增强大语言模型架构的政务热线问答系统[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1721-1727.
[9]	易宇声, 黄兆豪, 邓梓昊, 孔蕾蕾, 齐浩亮. 面向信创数据库迁移的多知识库协同大语言模型提示框架CORER[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1811-1817.
[10]	蔡泰鑫, 魏凤凤. 面向多解旅行商问题的大语言模型增强蚁群优化算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1712-1720.
[11]	郑嘉丽, 周刚, 陈静, 李顺航. 基于多特征自适应融合的智能生成文本检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1433-1440.
[12]	盛兴, 翁孙贤, 陈扩松, 王忠平, 任芮锋, 刘勇. 基于深度学习的电网企业专利价值评估[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1468-1474.
[13]	王倩飞, 李旸, 李德玉, 王素格. 基于大语言模型的双通道特征融合表示的短文本聚类方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1441-1449.
[14]	陈浩轩, 叶培昌, 刘磊, 刘承明, 胡文华. 自动代码编辑推荐综述[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1227-1237.
[15]	王晓宇, 李欣, 薛迪, 蒋章涛, 王威, 肖岩军. 基于大语言模型的视频监控网络安全漏洞分类框架[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1158-1170.

模型	MSE	MAE	RMSE	DA/%
InformerGRU	0.017 8	0.092 7	0.139 6	87.69
单项GRU	0.020 1	0.095 7	0.141 8	85.12
无特征融合层	0.022 0	0.098 4	0.148 4	81.47
注意力机制	1.089 7	0.769 8	1.043 9	24.10

模型	MSE	MAE	RMSE	DA/%
InformerGRU	0.017 8	0.092 7	0.139 6	87.69
单项GRU	0.020 1	0.095 7	0.141 8	85.12
无特征融合层	0.022 0	0.098 4	0.148 4	81.47
注意力机制	1.089 7	0.769 8	1.043 9	24.10