Récemment, la prévision du trafic urbain basée sur l'apprentissage en profondeur est largement utilisée dans la construction de villes intelligentes. Étant donné que ces méthodes nécessitent généralement de grandes quantités de données, elles sont difficiles à étendre aux villes qui manquent de données. Bien que l'apprentissage par transfert puisse utiliser une ville source riche en données pour aider une ville cible à prévoir la circulation urbaine, la performance des méthodes existantes ne répond pas aux besoins pratiques. Pour résoudre ce problème, une approche de prévision de la migration basée sur la convolution graphique espace-temps est proposée, c'est-à-dire créer un espace commun entre la ville source et la ville cible, puis faire correspondre les données de circulation entre la ville source et la ville cible dans cet espace commun pour réaliser la migration de la prévision de la circulation entre les villes. Spécifiquement, nous avons conçu un module de convolution graphique espace-temps dynamique et un codeur temporel pour capturer simultanément les caractéristiques temporelles et spatiales du trafic, qui révèlent les liens intrinsèques entre la structure du réseau routier, les habitudes de déplacement humain et la circulation urbaine. Ensuite, ces caractéristiques sont utilisées comme représentation invariante à travers les villes et sont non linéairement cartographiées dans l'espace commun. En optimisant la perte de distance de Mahalanobis, la représentation de la ville cible est coordonnée avec celle de la ville source dans l'espace commun, puis la prévision de la circulation de vélos entre les villes est réalisée. L'approche proposée a été évaluée sur l'ensemble de données de circulation publique à vélo de 2015 à Chicago, New York et Washington, et les résultats montrent que cette approche dépasse nettement les technologies de pointe actuelles.

Transfer learning;City flow prediction;Spatiotemporal graph convolution