Недавно прогнозирование городского трафика на основе глубокого обучения широко применяется в строительстве интеллектуальных городов. Поскольку эти методы обычно требуют больших объемов данных, их сложно масштабировать в города с недостаточными данными. Хотя передача знаний может использовать данные богатого источника для помощи целевому городу в прогнозировании городского трафика, но из-за игнорирования связности дальних дорожных сетей текущие методы не могут удовлетворить реальные потребности использования. Для решения этой проблемы предлагают метод прогнозирования передачи, основанный на пространственно-временной сверточной графике, то есть на построении общего пространства между исходным и целевым городом, а затем сопоставлении данных городского трафика исходного и целевого городов в этом общем пространстве. Конкретно, мы разработали динамический пространственно-временной графический модуль и кодировщик времени для одновременного захвата характеристик времени и пространства трафика, которые раскрывают внутреннюю связь между структурой дорожной сети, человеческими привычками передвижения и городским трафиком. Затем эти характеристики представляются как неподвижное представление городов, которое нелинейно отображается в общее пространство. Оптимизируя метрическую функцию потерь Махаланобиса, характеристика целевого города выравнивается с характеристикой исходного города в общем пространстве, что позволяет выполнить прогноз городского трафика между городами. Метод был оценен на наборе данных по общественному трафику велосипедов в Чикаго, Нью-Йорке и Вашингтоне в 2015 году, и результаты показывают, что этот метод значительно превосходит текущие передовые технологии.

передача знаний; прогноз городского трафика; пространственно-временной график