arXiv cs.AI· Zhi Sheng, Chuyue Wang, Jiahao Ji, Yile Liang, Xuetao Ding, Jinghua Hao, Jie Feng, Yong Li·· 10 小时前AI 评分22
GLIDE:面向动态物流图的可扩展事件感知归纳式预测框架
GLIDE: Scalable and Event-Aware Inductive Forecasting over Evolving Logistics Graphs
AI 导读
GLIDE 是一个面向美团等按需外卖平台的生产级预测框架,用于在规模效应热点(SEH)上预测订单量,支撑实时多对一调度中的订单聚合。它通过图引导的潜在聚合机制,将规模从 10^2 到 10^4 不等的动态物理子图投影到固定大小的语义稳定潜在空间,并适配事件驱动的需求偏移。该工作已被 KDD2027 接收。
正文 · AI 翻译
摘要:准确预测规模效应热点(SEH)的订单量,是美团等按需外卖(OFD)平台实现高效订单合并的前提;SEH 是空间上连贯的物流流分组,作为实时多对一调度中的分布式优化单元。然而,现实世界的物流网络带来了独特挑战,使标准时空预测模型失效。(i) 动态拓扑:与静态路网不同,物流图是短暂的,热点不断涌现和消失;(ii) 规模—订单量异质性:图规模从 $10^2$ 到 $10^4$ 不等,而零膨胀、长尾的订单量造成计算瓶颈,并使预测偏向无活动状态;(iii) 事件驱动扰动:外生事件(节假日、天气、校历)引发系统性需求变化,纯数据驱动的主干模型无法预见。本文提出 GLIDE,一个面向生产环境的框架,在可扩展的潜空间中建模不断演化的物流图,同时适应异质需求状态和事件驱动变化。GLIDE 引入图引导潜聚合机制,通过可微稀疏分配将变化的物理子图动态投影到固定大小、语义稳定的潜空间……
| 评论: | 14 页,5 幅图,KDD2027 |
| 主题: | 人工智能(cs.AI) |
| 引用为: | arXiv:2611.23942 [cs.AI] |
| (或 arXiv:2611.23942v1 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.23942 arXiv 颁发的 DOI 通过 DataCite(待注册) |
提交历史
来自:Chuyue Wang [查看邮箱]
[v1]
2026 年 11 月 18 日星期三 06:28:20 UTC(1,651 KB)
来源:arXiv cs.AI · arxiv.org