?arXiv 19-Nov-2025 LLM相关论文(24/46)
?更多论文见主页/合集
?arXiv ID: arXiv:2511.14248
?论文标题: Enhancing Regional Airbnb Trend Forecasting Using LLM-Based Embeddings of Accessibility and Human Mobility
? 问题背景：Airbnb等短租平台的扩张显著影响了当地住房市场，导致租金上涨和住房可负担性问题。准确预测区域市场趋势对政策制定者和城市规划者至关重要。
? 研究动机：传统方法主要关注单个房源的静态预测，忽视了区域时空动态。本研究提出结合城市可达性和人流数据，利用LLM生成丰富的区域嵌入表示，以更好地捕捉复杂的时空特征。
? 方法简介：将结构化表格数据转换为基于提示的LLM输入，生成综合区域嵌入。这些嵌入随后输入到先进时间序列模型（RNN、LSTM、Transformer）中，通过滑动窗口方法预测未来1-3个月的趋势。
? 实验设计：在首尔Airbnb数据集上，使用6个月滑动窗口进行预测。实验包含51个月训练、8个月验证和8个月测试，与传统基线模型相比，RMSE和MAE平均降低约48%。
?更多论文见主页/合集
?arXiv ID: arXiv:2511.14248
?论文标题: Enhancing Regional Airbnb Trend Forecasting Using LLM-Based Embeddings of Accessibility and Human Mobility
? 问题背景：Airbnb等短租平台的扩张显著影响了当地住房市场，导致租金上涨和住房可负担性问题。准确预测区域市场趋势对政策制定者和城市规划者至关重要。
? 研究动机：传统方法主要关注单个房源的静态预测，忽视了区域时空动态。本研究提出结合城市可达性和人流数据，利用LLM生成丰富的区域嵌入表示，以更好地捕捉复杂的时空特征。
? 方法简介：将结构化表格数据转换为基于提示的LLM输入，生成综合区域嵌入。这些嵌入随后输入到先进时间序列模型（RNN、LSTM、Transformer）中，通过滑动窗口方法预测未来1-3个月的趋势。
? 实验设计：在首尔Airbnb数据集上，使用6个月滑动窗口进行预测。实验包含51个月训练、8个月验证和8个月测试，与传统基线模型相比，RMSE和MAE平均降低约48%。
