基于条件GAN和动态区域解耦的情景驱动城市交通流生成：FloGAN

人们在城市中的移动模式随土地利用和人口变化而演变。这使得城市规划者需要模拟和分析人类移动模式，以实现交通优化和可持续城市发展。现有的生成模型依赖机器学习方法，严重依赖历史轨迹，常忽视人口密度和土地利用等演变因素。机制方法则纳入人口密度和设施分布，但假设场景为静态，限制了其在未来投影中应用，其中缺乏用于校准的历史数据。本研究引入一种新颖的数据驱动方法，用于生成量身于模拟城市情景的起点-终点（OD）交通流。该方法利用动态区域大小和土地利用原型等自适应因素，运用条件生成对抗网络（cGAN）将历史数据与这些自适应参数融合。该方法支持基于兴趣区域的可调空间粒度快速生成交通流，无需大量校准数据或复杂的行为建模。我们通过应用于新加坡的移动电话数据，以及与现有方法的比较，展示了该方法的前景性能。