In letzter Zeit wird die Vorhersage des städtischen Verkehrs, die auf tiefem Lernen basiert, weitgehend im Bau intelligenter Städte angewendet. Da diese Methoden in der Regel große Datenmengen erfordern, lassen sie sich schwer auf datenarme Städte ausdehnen. Obwohl das transferierte Lernen eine datenreiche Quellstadt verwenden kann, um einer Zielstadt bei der Vorhersage des städtischen Verkehrs zu helfen, erfüllt die Leistung der bestehenden Methoden nicht die praktischen Anforderungen. Zur Lösung dieses Problems wird ein Ansatz zur Migrationsvorhersage auf der Raum-Zeit-Graphenfaltung vorgeschlagen, d.h. die Schaffung eines gemeinsamen Raums zwischen der Quellstadt und der Zielstadt und dann das Abgleichen der Verkehrsdaten zwischen der Quellstadt und der Zielstadt in diesem gemeinsamen Raum, um die Migration der Verkehrsprognosen zwischen den Städten zu erreichen. Konkret haben wir ein Modul für dynamische Raum-Zeit-Graphenfaltung und einen zeitlichen Codierer entworfen, um gleichzeitig die zeitlichen und räumlichen Merkmale des Verkehrs zu erfassen, die die internen Verbindungen zwischen der Struktur des Straßennetzes, den menschlichen Fortbewegungsgewohnheiten und dem städtischen Verkehr aufdecken. Anschließend werden diese Merkmale als invariante Darstellung über Städte hinweg verwendet und nichtlinear in den gemeinsamen Raum abgebildet. Durch Optimierung des Mahalanobis-Distanzverlusts wird die Zielfunktionsrepräsentation mit der Quellstadtrepräsentation im gemeinsamen Raum abgeglichen, und anschließend wird die Vorhersage des Fahrradverkehrs zwischen Städten durchgeführt. Der vorgeschlagene Ansatz wurde anhand des öffentlichen Fahrradverkehrsdatensatzes von 2015 in Chicago, New York und Washington evaluiert, und die Ergebnisse zeigen, dass dieser Ansatz deutlich fortschrittlichere Technologien übertrifft.

Transfer learning;City flow prediction;Spatiotemporal graph convolution