T-STAR: A Context-Aware Transformer Framework for Short-Term Probabilistic Demand Forecasting in Dock-Based Shared Micro-Mobility

📄 arXiv: 2602.06866v1 📥 PDF

作者: Jingyi Cheng, Gonçalo Homem de Almeida Correia, Oded Cats, Shadi Sharif Azadeh

分类: cs.LG

发布日期: 2026-02-06

备注: This work has been submitted to Transportation Research Part C

💡 一句话要点

T-STAR：一种用于共享微出行短期概率需求预测的上下文感知Transformer框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 共享微出行 需求预测 Transformer 时间序列预测 概率预测 上下文感知 两阶段模型

📋 核心要点

  1. 现有方法难以在高分辨率下分离一致需求模式与短期波动，导致预测精度不足。
  2. T-STAR采用两阶段Transformer框架，分别捕获粗粒度小时需求和高频局部上下文信息，提升预测精度。
  3. 实验表明，T-STAR在确定性和概率精度上均优于现有方法，并具有良好的空间和时间鲁棒性。

📝 摘要（中文）

本研究提出了T-STAR（两阶段时空自适应上下文表示），一种基于Transformer的新型概率框架，旨在以15分钟的分辨率预测站点级别的共享单车需求。T-STAR通过分层的两阶段结构，将一致的需求模式与短期波动分离，从而应对高分辨率预测中的关键挑战。第一阶段捕获粗粒度的每小时需求模式，第二阶段通过整合高频、局部输入（包括最近的波动和连接地铁服务的实时需求变化）来提高预测精度，从而解释短期需求中的时间变化。两个阶段都采用时间序列Transformer模型来生成概率预测。使用华盛顿特区Capital Bikeshare数据的广泛实验表明，T-STAR在确定性和概率精度方面均优于现有方法。该模型在站点和时间段内表现出强大的空间和时间鲁棒性。零样本预测实验进一步突出了T-STAR在无需重新训练的情况下迁移到以前未见过的服务区域的能力。这些结果强调了该框架在提供精细、可靠和不确定性感知的短期需求预测方面的潜力，从而实现无缝集成，以支持旅行者的多模式行程规划并增强共享微出行服务的实时运营。

🔬 方法详解

问题定义：论文旨在解决共享微出行系统中短期（15分钟分辨率）站点级需求预测问题。现有方法难以有效分离长期稳定需求模式和短期波动，并且忽略了实时上下文信息（如地铁服务需求），导致预测精度不高，无法满足精细化运营的需求。

核心思路：论文的核心思路是将需求预测分解为两个阶段：首先捕获粗粒度的长期需求模式，然后利用高频局部上下文信息对短期波动进行建模。通过这种分层结构，可以有效分离不同时间尺度的需求特征，提高预测精度。

技术框架：T-STAR框架包含两个主要阶段：第一阶段是粗粒度需求预测阶段，使用Transformer模型预测每小时的需求模式。第二阶段是细粒度需求调整阶段，利用第一阶段的预测结果和高频局部上下文信息（如最近的需求波动和地铁服务需求）对预测结果进行调整，生成最终的15分钟分辨率需求预测。两个阶段都使用时间序列Transformer模型进行建模。

关键创新：T-STAR的关键创新在于其两阶段分层结构和上下文感知能力。通过分离长期和短期需求模式，并整合实时上下文信息，T-STAR能够更准确地预测短期需求波动。此外，T-STAR采用Transformer模型进行时间序列建模，能够有效捕获时间序列中的长期依赖关系。

关键设计：T-STAR使用标准Transformer模型的变体进行时间序列建模。损失函数采用负对数似然损失，以生成概率预测。在第二阶段，上下文信息的融合方式是通过将上下文特征与Transformer模型的输入进行拼接。具体的网络结构和参数设置在论文中有详细描述，但摘要中未提供具体数值。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，T-STAR在华盛顿特区Capital Bikeshare数据集上优于现有方法。在确定性预测方面，T-STAR的MAE和RMSE指标均显著低于对比基线。在概率预测方面，T-STAR的CRPS指标也优于对比基线，表明其能够更准确地预测需求的不确定性。此外，零样本实验表明，T-STAR具有良好的泛化能力，可以在未见过的服务区域进行预测。

🎯 应用场景

T-STAR可应用于共享单车、电动滑板车等共享微出行服务的需求预测，帮助运营商进行车辆调度、站点优化和实时运营管理。准确的需求预测可以提升用户体验，减少车辆闲置，提高运营效率，并支持多模式出行规划，促进城市交通的可持续发展。该研究还可扩展到其他时空预测问题，如公共交通客流预测、电力需求预测等。

📄 摘要（原文）

Reliable short-term demand forecasting is essential for managing shared micro-mobility services and ensuring responsive, user-centered operations. This study introduces T-STAR (Two-stage Spatial and Temporal Adaptive contextual Representation), a novel transformer-based probabilistic framework designed to forecast station-level bike-sharing demand at a 15-minute resolution. T-STAR addresses key challenges in high-resolution forecasting by disentangling consistent demand patterns from short-term fluctuations through a hierarchical two-stage structure. The first stage captures coarse-grained hourly demand patterns, while the second stage improves prediction accuracy by incorporating high-frequency, localized inputs, including recent fluctuations and real-time demand variations in connected metro services, to account for temporal shifts in short-term demand. Time series transformer models are employed in both stages to generate probabilistic predictions. Extensive experiments using Washington D.C.'s Capital Bikeshare data demonstrate that T-STAR outperforms existing methods in both deterministic and probabilistic accuracy. The model exhibits strong spatial and temporal robustness across stations and time periods. A zero-shot forecasting experiment further highlights T-STAR's ability to transfer to previously unseen service areas without retraining. These results underscore the framework's potential to deliver granular, reliable, and uncertainty-aware short-term demand forecasts, which enable seamless integration to support multimodal trip planning for travelers and enhance real-time operations in shared micro-mobility services.