В последнее время прогнозирование городского движения, основанное на глубоком обучении, широко применяется в строительстве умных городов. Поскольку эти методы обычно требуют больших объемов данных, они сложно масштабируются в городах с недостатком данных. Хотя обучение с передачей может использовать данные-источник, богатые данными, для помощи города-назначения в прогнозировании городского движения, производительность существующих методов не отвечает практическим потребностям. Для решения этой проблемы предлагается подход прогнозирования перемещения, основанный на пространственно-временном графовом свёртке, то есть создание общего пространства между городом-источником и городом-назначением, а затем сопоставление данных о движении в городе-источнике и городе-назначении в этом общем пространстве для переноса прогнозирования движения в город-источнике на город-назначение. Конкретно, мы разработали модуль динамической пространственно-временной графовой свёртки и временной кодер, чтобы одновременно улавливать временные и пространственные характеристики движения, которые раскрывают внутренние связи между структурой дорожной сети, путевыми привычками человека и городским движением. Затем эти характеристики используются в качестве инвариантного представления через города и нелинейно отображаются в общем пространстве. Путем оптимизации метрических потерь Махаланобиса достигается согласование признаков города-назначения с признаками города-источника в общем пространстве, после чего достигается прогнозирование городского потока велосипедов через города. Предложенный подход оценивался на наборе данных публичного велосипедного потока 2015 года в Чикаго, Нью-Йорке и Вашингтоне, и результаты показывают, что этот подход значительно превосходит текущие передовые технологии.

Transfer learning;City flow prediction;Spatiotemporal graph convolution