1. 引言
大模型与时空数据挖掘的结合是近两年非常活跃的方向。本文简要梳理五篇代表性工作的核心架构：One-Fits-All、Time-LLM、PromptST、ST-LLM 与 UrbanGPT，并给出各自的架构图，便于快速建立整体认知。
2. One-Fits-All：一个模型适配多任务
One-Fits-All 的核心思想是"一个模型解决多类任务"，通过统一的输入表示与任务适配机制，让同一套骨干网络同时服务于多种时空预测任务，避免为每个任务单独设计模型，从而降低部署与维护成本。
3. Time-LLM：把时间序列"翻译"成语言
Time-LLM 将时间序列重编程为语言模型可以理解的 token 序列，借助预训练大语言模型的通用能力完成时序预测。其关键在于输入变换（patch 化与文本原型对齐）与提示词增强，使 LLM 无需大规模重训练即可适配时序任务。
4. PromptST：面向时空预测的提示学习
PromptST 将提示学习（Prompt Learning）引入时空预测，通过设计时空提示向量并注入模型，在少量参数微调的前提下提升模型对下游任务的适应能力，兼顾效果与训练效率。
5. ST-LLM：时空大语言模型
ST-LLM 面向时空数据设计大语言模型框架，重点解决时空数据的结构化建模与 LLM 输入对齐问题，通过时空编码与语言模型解码的协同，实现统一的时空表示与预测。
6. UrbanGPT：面向城市时空预测的大模型
UrbanGPT 聚焦城市级时空预测场景，将城市多源数据（如交通、人口、POI 等）编码后输入大语言模型，并结合指令微调提升模型在零样本/少样本条件下的城市时空预测能力。
7. 小结
五篇工作从不同角度探索了大模型与时空数据的结合：One-Fits-All 强调统一多任务，Time-LLM 侧重时序到语言的映射，PromptST 走提示学习路线，ST-LLM 与 UrbanGPT 则分别从通用时空建模与城市级应用切入。后续可进一步对比它们在数据表示、训练成本与泛化能力上的差异。
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/qq_40205510/article/details/170725798
