基于知识增强去噪扩散的城市流生成建模
人工智能
2023-09-20 v1 社会与信息网络
摘要
尽管生成式 AI 已在诸多领域取得成功，但其对地理空间数据建模的能力仍待探索。城市流作为一种典型的地理空间数据，对广泛的城市应用至关重要。现有研究多聚焦于基于历史流数据预测未来流的城市流预测建模，而在数据稀疏地区或新规划区域中历史数据可能不可用。另一些研究旨在预测区域间 OD 流，但未能对城市流随时间的动态变化建模。本工作中，我们研究一种新的城市流生成问题，即为无历史流数据的区域生成动态城市流。为捕捉区域特征与城市环境等多种因素对城市流的影响，我们采用扩散模型在不同条件下为区域生成城市流。我们首先构建城市知识图谱（UKG）以建模城市环境及区域间关系，并基于此设计知识增强时空扩散模型（KSTDiff）为每个区域生成城市流。具体而言，为准确生成具有不同流量体积的区域的城市流，我们设计了一种由体积估计器引导的新型扩散过程，该估计器可学习且针对每个区域定制。此外，我们提出知识增强去噪网络，在去噪过程中捕捉城市流的时空依赖及城市环境的影响。在四个真实数据集上的大量实验验证了我们的模型在城市流生成上优于最先进的基线。进一步的深入研究表明了生成的城市流数据的实用性，以及我们的模型在长期流生成与城市流预测上的能力。我们的代码发布于：https://github.com/tsinghua-fib-lab/KSTDiff-Urban-flow-generation。
引用
@article{arxiv.2309.10547,
title = {Towards Generative Modeling of Urban Flow through Knowledge-enhanced Denoising Diffusion},
author = {Zhilun Zhou and Jingtao Ding and Yu Liu and Depeng Jin and Yong Li},
journal= {arXiv preprint arXiv:2309.10547},
year = {2023}
}