Editorial Ilmu Komputer & AI
Open AccessOA2026
STGCN dan Kerangka Multi-Agen untuk Prediksi OD Metro dan Periklanan Tertarget
Pipeline tiga tahap yang menggabungkan jaringan saraf graf spatiotemporal, gradient boosting, dan sistem multi-agen berbasis LLM untuk operasi komersial metro pintar
Hao-Xuan Fan; Mei-Xia Song; Jun-Lin Sha; Feng-Nan Xiao; Heng-Yu Wu; Ke-Na Zhang; Hao-Yuan Chi; Shao-Xi Di; Si-Yan Wu; Ai-Xin Li· Proceedings of the 2nd International Conference on Software Engineering and Computer Applications· 2026· DOI 10.1145/3829641.3829769
Masalah inti
Sistem angkutan rel perkotaan menghasilkan data arus penumpang dalam jumlah besar dengan nilai komersial yang substansial. Namun, metode konvensional untuk penempatan iklan di sistem metro sulit menangkap hubungan arus asal-tujuan (OD) antarstasiun yang kompleks dan karakteristik dinamis kelompok penumpang secara akurat. Keterbatasan ini menyebabkan penargetan yang tidak tepat dan hasil komersial yang kurang optimal. Untuk mengatasi tantangan tersebut, makalah ini mengusulkan kerangka terintegrasi yang memanfaatkan pembelajaran mesin canggih dan teknologi multi-agen. Kerangka ini dirancang untuk menutup siklus dari wawasan arus penumpang hingga keputusan bisnis yang dapat ditindaklanjuti, memberikan dukungan teknis yang interpretabel dan presisi tinggi untuk operasi komersial metro pintar. Studi ini mengambil Dalian Metro Jalur 1, 2, dan 12 sebagai studi kasus untuk memvalidasi pendekatan yang diusulkan.
Inovasi
Hasil eksperimen pada Dalian Metro Jalur 1, 2, dan 12 menunjukkan efektivitas kerangka yang diusulkan. Model STGCN menurunkan RMSE sebesar 2,3% dibandingkan metode state-of-the-art untuk prediksi arus OD. Klasifikasi penumpang menggunakan GBM dengan pembelajaran semi-supervisi mencapai skor rata-rata makro 0,840, yang menunjukkan kinerja yang tangguh di keempat kelompok penumpang. Sistem multi-agen berbasis LLM secara signifikan meningkatkan penargetan iklan, meningkatkan cakupan audiens target dari 31% menjadi 74%. Hasil ini memvalidasi kinerja unggul dari pendekatan terintegrasi baik dalam akurasi prediksi maupun aplikasi komersial.
Sistem angkutan rel perkotaan menghasilkan data arus penumpang dalam jumlah besar dengan nilai komersial yang substansial. Namun, metode konvensional untuk penempatan iklan di sistem metro sulit menangkap hubungan arus asal-tujuan (OD) antarstasiun yang kompleks dan karakteristik dinamis kelompok penumpang secara akurat. Keterbatasan ini menyebabkan penargetan yang tidak tepat dan hasil komersial yang kurang optimal. Untuk mengatasi tantangan tersebut, makalah ini mengusulkan kerangka terintegrasi yang memanfaatkan pembelajaran mesin canggih dan teknologi multi-agen. Kerangka ini dirancang untuk menutup siklus dari wawasan arus penumpang hingga keputusan bisnis yang dapat ditindaklanjuti, memberikan dukungan teknis yang interpretabel dan presisi tinggi untuk operasi komersial metro pintar. Studi ini mengambil Dalian Metro Jalur 1, 2, dan 12 sebagai studi kasus untuk memvalidasi pendekatan yang diusulkan.
Kerangka yang diusulkan terdiri dari tiga komponen inti: (1) jaringan saraf graf spatiotemporal (STGCN) untuk prediksi arus penumpang, (2) gradient boosting machine (GBM) yang dikombinasikan dengan pembelajaran semi-supervisi untuk identifikasi kelompok penumpang, dan (3) sistem multi-agen yang digerakkan oleh large language model (LLM) untuk periklanan cerdas.
Mengapa penting
Kerangka yang diusulkan berhasil mengintegrasikan prediksi arus penumpang, identifikasi kelompok penumpang, dan periklanan cerdas ke dalam satu sistem yang kohesif. Penurunan RMSE sebesar 2,3% oleh STGCN menyoroti pentingnya menangkap dependensi spatiotemporal dalam arus OD metro. Skor yang tinggi sebesar 0,840 untuk klasifikasi penumpang menunjukkan efektivitas penggabungan GBM dengan pembelajaran semi-supervisi, yang krusial untuk menangani data berlabel terbatas dalam skenario dunia nyata. Peningkatan dramatis cakupan audiens target dari 31% menjadi 74% menegaskan nilai sistem multi-agen berbasis LLM dalam mengadaptasi strategi periklanan secara dinamis berdasarkan arus yang diprediksi dan karakteristik penumpang. Kemampuan kerangka ini untuk menutup siklus dari wawasan data hingga keputusan bisnis memberikan solusi yang skalabel dan interpretabel untuk operasi komersial metro pintar. Pekerjaan selanjutnya dapat mengeksplorasi penerapan waktu nyata dan integrasi dengan sumber data perkotaan lainnya.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…