【建议研究方向】
知识迁移与新一代时空基础模型：利用 LLM 的预训练知识与元学习（Meta-learning）能力，设计适配时序与图数据的新一代时空表征架构
探索从“任务特定模型”向“时空通用基础模型”的转变，提升系统在复杂多变环境下的泛化精度，重点优化长尾小场景的建模精度
多商家选择视角的用户需求因果建模：研究如何将LLM的全局规划能力与因果推断（Causal Inference）深度融合
在多商家选择竞争下，利用LLM 辅助识别用户对时间的真实需求，构建反事实推理模型，实现有限资源下的用户需求与履约供给的最优匹配决策
基于 LLM-Agent 的系统级序贯规划：将配送时间决策建模为动态流水线中的时延分配（Deadline Assignment）问题
研究如何利用LLM 与强化学习（RL）构建具备自我演进能力的决策 Agent，在海量动态订单流中执行跨时段、跨区域的复杂规划，通过序贯决策寻找系统最佳承载量的最优解