RideBench：面向网约车时间序列预测的大规模外生信息感知基准

基于摘要分析。该研究针对天气、节假日和大型活动影响下的网约车时间序列预测，发布由 DiDi 市场数据合成的 Ride-Hailing 数据集，并构建外生信息感知预测基准 RideBench，以评估常规及长预测范围下现有方法的适用性。 数据与评估：Ride-Hailing 覆盖 200 个空间区域、连续四年的半小时时间序列，包含 Weather Disturbance、Holiday Effect 和 Large-scale Event Impact 三类代表性外生场景。RideBench 设置未来一周预测与未来八周预测，后者最多包含 2,688 个预测步；评估超过 30 种方法，包括仅使用内生信息的模型、外生信息感知模型及时间序列基础模型。摘要未给出数据合成细节、训练与测试划分、具体模型名单及指标定义，这些内容尚未验证。 作者报告：在未来一周预测中，未来已知外生变量带来明显收益，尤其是在天气、节假日及大型活动场景下；但现有外生信息感知模型仍难充分捕捉复杂外部条件引发的模式变化。在未来八周预测中，现有模型难以同时兼顾低逐点误差、准确的整体趋势和可靠的近期预测。摘要未提供具体分数、对照差值或统计不确定性，不能据此量化收益或排序模型；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可借鉴价值主要在评估设计，而非已证实的 EEG 算法。假设任务日程等真正提前可知的上下文能够帮助 EEG 状态预测，可复用“内生信息与外生信息分开对照”的思路；但需改造空间区域与半小时序列的组织方式，以适配被试、通道和 EEG 时间尺度。低信噪比、跨被试差异及小数据可能削弱收益。一个可证伪的小实验是在固定跨会话划分下，对比同一预测模型使用或不使用预先确定的任务日程，核对不同预测范围的误差，并确保外生信息在预测时确实可用。该假设不等于已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。