UrbanFM：推断细粒度城市流
计算机视觉与模式识别
2019-11-06 v1 机器学习
摘要
城市流监测系统在世界各地的智慧城市建设中发挥着重要作用。然而，监控设备（如闭路电视）的普遍部署带来了长期且巨大的维护和运营成本。这表明需要一种能够在减少部署设备数量的同时，防止数据精度与粒度退化的技术。在本文中，我们旨在基于粗粒度观测推断全市范围内的实时细粒度人群流。该任务具有挑战性，原因有二：粗粒度与细粒度城市流之间的空间相关性，以及外部影响的复杂性。为解决这些问题，我们开发了基于深度神经网络的名为 UrbanFM 的方法。我们的模型由两大部分组成：1）一个推断网络，通过特征提取模块和一种新颖的分布上采样模块从粗粒度输入生成细粒度流分布；2）一个通用融合子网络，通过考虑不同外部因素的影响来进一步提升性能。在两个真实世界数据集（即 TaxiBJ 和 HappyValley）上的大量实验验证了我们的方法相较于七个基线方法的的有效性与高效性，证明了我们的方法在细粒度城市流推断问题上达到了最先进的性能。
引用
@article{arxiv.1902.05377,
title = {UrbanFM: Inferring Fine-Grained Urban Flows},
author = {Yuxuan Liang and Kun Ouyang and Lin Jing and Sijie Ruan and Ye Liu and Junbo Zhang and David S. Rosenblum and Yu Zheng},
journal= {arXiv preprint arXiv:1902.05377},
year = {2019}
}