用于人口分布制图的一次性迁移学习
人工智能
2025-12-01 v2 机器学习
摘要
细粒度人口分布数据对许多应用至关重要，例如城市规划、交通调度、疫情建模与风险控制。然而，由于数据收集的限制，包括基础设施密度、用户隐私与商业安全，此类细粒度数据难以收集，通常仅有粗粒度数据可用。因此，从粗粒度分布获取细粒度人口分布成为一个重要问题。为解决该问题，现有方法主要依赖充足的细粒度真值进行训练，而多数城市往往不具备此类数据。这限制了这些方法的应用，并带来将数据充足的源城市知识迁移至数据稀缺目标城市的必要。在知识迁移场景下，我们采用目标城市中单张参考细粒度真值（可通过遥感或问卷轻松获取）作为真值，以揭示大规模城市结构并支撑目标城市中的知识迁移。借此，我们将细粒度人口制图问题转化为一次性迁移学习问题。本文中，我们提出一种新颖的一次性迁移学习框架 PSRNet，从网络结构、数据与优化三个视角跨城市迁移时空知识。在 4 个城市真实数据集上的实验表明，PSRNet 相较 8 个最先进基线具有显著优势，将 RMSE 与 MAE 降低逾 25%。我们的代码与数据集发布于 Github (https://github.com/erzhuoshao/PSRNet-CIKM)。
引用
@article{arxiv.2108.06228,
title = {One-shot Transfer Learning for Population Mapping},
author = {Erzhuo Shao and Jie Feng and Yingheng Wang and Tong Xia and Yong Li},
journal= {arXiv preprint arXiv:2108.06228},
year = {2025}
}
备注
Published in Proceedings of the 30th ACM International Conference on Information and Knowledge Management (CIKM '21)