UrbanPulse：面向超细粒度人口转移预测的跨城市深度学习框架
机器学习
2025-07-25 v1 人工智能
摘要
精准的人口流动预测对于城市规划、交通管理和公共卫生至关重要。然而,现有方法面临关键局限:传统模型依赖静态空间假设,深度学习模型在跨城市推广方面困难,大型语言模型（LLM）计算成本高昂且无法捕捉空间结构。此外,许多方法通过聚类点兴趣（POI）或限制覆盖子区域来牺牲分辨率,限制了其在全城分析中的实用性。我们引入 UrbanPulse,一个可扩展的深度学习框架,通过将每个 POI 视为单个节点,提供超细粒度、全城 OD 流量预测。它结合了时空图卷积编码器和基于变换器的解码器,以建模多尺度时空依赖关系。为确保跨城市语境下的稳健推广,UrbanPulse 采用三阶段迁移学习策略:在大规模城市图上进行预训练,进行冷启动适应,以及强化学习微调。在评估了来自加州三大都市区的 1.03 亿条清洁 GPS 记录后,UrbanPulse 实现了最先进的精度和可扩展性。通过高效迁移学习,UrbanPulse 为在 diverse 城市之间实现高分辨率、AI 驱动的城市预测铺平了关键路径。
引用
@article{arxiv.2507.17924,
title = {UrbanPulse: A Cross-City Deep Learning Framework for Ultra-Fine-Grained Population Transfer Prediction},
author = {Hongrong Yang and Markus Schlaepfer},
journal= {arXiv preprint arXiv:2507.17924},
year = {2025}
}