利用丰富多模态数据进行跨领域与跨地域的同质性嵌入图学习

现代城市越来越依赖于数据驱动的洞察来支持交通、公共安全和环境影响等领域的决策。然而，城市级数据通常以异构格式存在，由具有不同目标和与标准的地方机构独立收集。尽管国家级数据集数量众多、范围广泛且可统一消费，但它们表现出显著的异构性和多模态性。本研究提出了一种异构数据流水线，能够对时变、空变以及时空变时间序列数据集进行跨领域数据融合。我们旨在通过利用来自 50 多个数据源的丰富信息，解决跨越多个领域和地域的复杂城市问题。具体而言，我们的数据学习模块将来自空变数据集的同质性整合到图学习中，将各地域的信息嵌入模型中。我们利用从多个城市收集的各种公开可访问数据集（如网约车、交通事故和犯罪报告），通过五个真实世界的观察结果展示了该框架的泛化性和灵活性。结果表明，我们提出的框架展现出强大的预测性能，同时在迁移到新地域或领域时只需极少的重新配置。本研究推进了以可扩展方式构建数据驱动城市系统的目标，解决了智慧城市分析中最紧迫的挑战之一。