Recientemente, la predicción del tráfico urbano basada en el aprendizaje profundo se ha aplicado ampliamente en la construcción de ciudades inteligentes. Debido a que estos métodos suelen requerir grandes cantidades de datos, es difícil ampliarlos a ciudades con escasez de datos. Aunque el aprendizaje de transferencia puede utilizar datos de una ciudad fuente rica para ayudar a la ciudad objetivo en la predicción del tráfico urbano, el rendimiento de los métodos actuales no puede satisfacer las necesidades reales de uso debido a la ignorancia de la conectividad de las redes viales a larga distancia. Para resolver este problema, se propone un método de predicción de transferencia basado en la convolución gráfica espacio-temporal, es decir, la construcción de un espacio coexistente entre la ciudad fuente y la ciudad objetivo, y luego el alineamiento de datos de tráfico urbano de la ciudad fuente y de la ciudad objetivo en este espacio coexistente. Específicamente, hemos diseñado un módulo de convolución gráfica espacio-temporal dinámica y un codificador temporal para capturar simultáneamente las características temporales y espaciales del tráfico, estas características revelan la correlación interna entre la estructura de la red vial, las hábitos de desplazamiento humano y el tráfico urbano. Luego, estas características se representan como representación invariante a través de ciudades que se mapea no linealmente en el espacio coexistente. Optimizando la pérdida de distancia de Mahalanobis, la característica de la ciudad objetivo se alinea con la característica de la ciudad fuente en el espacio coexistente, lo que permite la predicción del tráfico urbano entre ciudades. El método se evaluó en el conjunto de datos de tráfico público de bicicletas compartidas en Chicago, Nueva York y Washington en 2015, y los resultados muestran que este método es significativamente superior a las tecnologías avanzadas actuales.

aprendizaje de transferencia; predicción de tráfico urbano; convolución gráfica espacio-temporal