Recientemente, la predicción del tráfico urbano basada en el aprendizaje profundo se aplica ampliamente en la construcción de ciudades inteligentes. Debido a que estos métodos suelen requerir grandes cantidades de datos, son difíciles de ampliar a ciudades con escasez de datos. Aunque el aprendizaje transferido puede utilizar una ciudad de origen rica en datos para ayudar a una ciudad de destino a predecir el tráfico urbano, el rendimiento de los métodos existentes no satisface las necesidades prácticas. Para resolver este problema, se propone un enfoque de predicción de migración basado en la convolución gráfica espacio-temporal, es decir, crear un espacio común entre la ciudad de origen y la ciudad de destino, y luego hacer coincidir los datos de tráfico entre la ciudad de origen y la ciudad de destino en este espacio común para lograr la migración de la predicción del tráfico entre ciudades. Específicamente, diseñamos un módulo de convolución gráfica espacio-temporal dinámica y un codificador temporal para capturar simultáneamente las características temporales y espaciales del tráfico, que revelan los vínculos internos entre la estructura de la red vial, los hábitos de desplazamiento humano y el tráfico urbano. Luego, estas características se utilizan como representación invariante a través de las ciudades y se mapean no linealmente en el espacio común. Al optimizar la pérdida de distancia de Mahalanobis, la representación de la ciudad de destino se coordina con la de la ciudad de origen en el espacio común, y luego se realiza la predicción del tráfico de bicicletas entre ciudades. El enfoque propuesto se evaluó en el conjunto de datos de tráfico público en bicicleta de 2015 en Chicago, Nueva York y Washington, y los resultados muestran que este enfoque supera significativamente las tecnologías líderes actuales.

Transfer learning;City flow prediction;Spatiotemporal graph convolution