中文摘要：

最近，基于深度學(xué)習(xí)的城市流量預(yù)測被廣泛應(yīng)用于智慧城市的建設(shè)。由于這些方法通常對(duì)數(shù)據(jù)量要求較高，因此難以擴(kuò)展到數(shù)據(jù)匱乏的城市。雖然遷移學(xué)習(xí)可以利用數(shù)據(jù)豐富的源城市協(xié)助目標(biāo)城市進(jìn)行城市流量預(yù)測，但由于忽略了長距離路網(wǎng)的連通性，因此現(xiàn)有方法的性能無法滿足實(shí)際使用的需要。為解決這個(gè)問題，提出一種基于時(shí)空?qǐng)D卷積的遷移預(yù)測方法，即在源城市和目標(biāo)城市之間構(gòu)建一個(gè)共現(xiàn)空間，然后在共現(xiàn)空間中對(duì)源城市和目標(biāo)城市流量數(shù)據(jù)進(jìn)行映射對(duì)齊，從而實(shí)現(xiàn)源城市流量預(yù)測模型在目標(biāo)城市上的遷移預(yù)測。具體來說，我們?cè)O(shè)計(jì)了一個(gè)動(dòng)態(tài)時(shí)空?qǐng)D卷積模塊和一個(gè)時(shí)間編碼器，以同時(shí)捕捉流量的時(shí)間特征和空間特征，這些特征揭示了道路網(wǎng)絡(luò)結(jié)構(gòu)、人類出行習(xí)慣和城市流量之間的內(nèi)在關(guān)聯(lián)。然后，將這些特征作為跨城市不變表示被非線性映射到共現(xiàn)空間。通過優(yōu)化馬氏距離損失，目標(biāo)城市特征與源城市特征在共現(xiàn)空間中對(duì)齊，從而實(shí)現(xiàn)跨城市自行車流量預(yù)測。在2015年芝加哥、紐約和華盛頓的公共自行車流量數(shù)據(jù)集上對(duì)所提出的方法進(jìn)行評(píng)估，結(jié)果表明該方法明顯優(yōu)于目前最先進(jìn)的技術(shù)。

關(guān)鍵詞：

遷移學(xué)習(xí)；城市流預(yù)測；時(shí)空?qǐng)D卷積

作者：

劉斌琨，康宇，曹洋，趙云波，許鎮(zhèn)義

單位：

1中國科學(xué)技術(shù)大學(xué)自動(dòng)化系，中國合肥市，230026

2系統(tǒng)控制與信息處理教育部重點(diǎn)實(shí)驗(yàn)室，中國上海市，200240

3合肥綜合性國家科學(xué)中心人工智能研究院，中國合肥市，230088

4中國科學(xué)技術(shù)大學(xué)先進(jìn)技術(shù)研究院，中國合肥市，230088

本文引用格式：

Binkun LIU, Yu KANG, Yang CAO, Yunbo ZHAO, Zhenyi XU, 2025. Transfer learning with a spatiotemporal graph convolution network for city flow prediction. Front Inform Technol Electron Eng, 26(1):79-92. https://doi.org/10.1631/FITEE.2300571

本文精要導(dǎo)讀：