基于深度学习的城市交通流量预测在智慧城市建设中应用广泛，但其对数据量的依赖性限制了其在数据匮乏城市的应用。迁移学习可利用数据丰富的源城市辅助目标城市进行预测，但现有方法忽略了长距离路网的连通性，预测精度难以满足实际需求。为此，本文提出一种基于时空图卷积网络的城市交通流量迁移预测方法。该方法构建源城市和目标城市间的共享潜在空间，并将两地流量数据映射到该空间进行对齐，从而实现模型迁移。
具体而言，我们设计了动态时空图卷积模块和时间编码器，以捕捉交通流量的时间和空间特征，揭示道路网络结构、出行习惯与交通流量间的内在关联。这些特征作为跨城市不变表示，被非线性映射到共享潜在空间。通过优化马氏距离损失函数，目标城市特征与源城市特征在共享潜在空间中对齐，从而实现跨城市自行车流量预测。
我们在2015年芝加哥、纽约和华盛顿的公共自行车流量数据集上对该方法进行了评估，结果表明其显著优于现有先进技术。
关键词: 迁移学习；城市交通流预测；时空图卷积网络
作者: 刘斌琨，康宇，曹洋，赵云波，许镇义
单位:
- 中国科学技术大学自动化系，中国合肥市，230026
- 系统控制与信息处理教育部重点实验室，中国上海市，200240
- 合肥综合性国家科学中心人工智能研究院，中国合肥市，230088
- 中国科学技术大学先进技术研究院，中国合肥市，230088
参考文献:
LIU, Binkun; KANG, Yu; CAO, Yang; ZHAO, Yunbo; XU, Zhenyi. 2025. Transfer learning with a spatiotemporal graph convolution network for city flow prediction. Front Inform Technol Electron Eng, 26(1): 79-92. https://www.php.cn/link/74ad61495004090c5043987b671d1dda
图示:
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
