1833×××→×→×16霍普斯64霍普斯R1R2格栅尺寸：600m ×600m格栅尺寸：150m ×150m细粒化城市流动预测宇轩梁1，昆欧阳1，俊凯孙3，一尾王1，俊波张3，4，于郑3，4，5，David S。罗森布卢姆1，2，罗杰齐默尔曼11新加坡国立大学计算学院、新加坡2部门的计算机科学、乔治梅森大学、VA、美国3京东iCity、京东技术、北京、中国&京东智能城市研究、北京、中国4西南交通大学人工智能研究所，成都，中国5西安电子科技大学、中国{yuxliang，欧阳克，y-wang，rogerz，david}@comp.nus.edu.sg;{junkaisun，msjunbozhang，msyuzheng}@outlook.com摘要城市流动预测福利智能城市在马尼山方面、苏奇作为交通管理和里斯克评估。 豪韦弗、a克里蒂卡尔普雷勒克-尤西特为these福利is哈文微细颗粒状的知识的the城市。Thus、昂利克普雷维奥乌斯沃克斯that阿雷有限公司到粗粒状的数据，我们扩展了城市流量预测的地平线到细粒度which raises特定挑战：1）网格间转换的优势观察者在微细颗粒状的数据梅克斯资讯科技更多复杂到捕获全球尺度网格单元的空间依赖性;2）资讯科技is非常挑战到学习the影响的外部因素（e.g。、 天气）论a大号码的网格细胞分离主义者。 到地址他们是两个挑战，我们现在是时空关系的净工作(STRN)到普雷迪克特微细颗粒状的城市流。 第一、a主干网是用来学习each细胞的高级代表。第二，我们现在是一个全局关系模块（GloNet），该模块的盖章与现有方法相比更有效。第三，我们设计了一个取走外部因素和土地功能的元学习者（e.g.，POI密度）作为产品元知识和增强模型绩效的投入。我们在两个真实世界数据集上共管扩展实验。结果显示，在使用多重参数的情况下，与最先进的方法相比，7.1%到11.5%的误差得到了最大程度的减少。Moreover，一个叫做UrbanFlow 3.0的基于云的系统已经部署到展示我们的实践中去了接近。CCS概念• 信息系统→时空系统;·科姆-普特丁方法学→人工情报;神经网络。关键词城市流动预测;空间-时间数据;关系学习;卷积神经网络;城市计算。1导言精确预测城市流量，就像预测总人群一样弗劳尔斯入口和离伊奇位置（i.e.， 网格细胞）甲的城市杜林a吉文时代间隔【40，41】、普莱斯安基本中的角色智能城市埃福茨。资讯科技can普罗维德洞察力到the政府这纸is出版的安德the创意公属性4.0国际（CC-BY 4.0）许可证。作者保留他们的权利，以传播工作在泰尔·佩尔萨尔和公司网络西特斯与the阿普罗普里亚特归属。WWW‘21，2021年4月19日至23日，卢布尔雅那，斯洛文尼亚© 2021 IW3C2（国际万维网会议委员会），在知识共享下发布CC-BY 4.0执照。ACM ISBN978-1-4503-8312-7/21/04.https://doi.org/10.1145/3442381.3449792为决策制作、里斯克评估、和交通管理。 对于实例而言，比先见之明that安超速行驶人群威尔向内流动a大区阿海德的时代、the政府can进位出局交管、发送沃宁斯或埃文埃瓦夸特山人民为公众安全。网格化城市流动中必须遵守的一键属性预测is空间-时间（圣）相依为命：the未来的一个网格单元格是有条件的，它可以像邻居一样预先阅读。历史。 莫雷奥弗、城市弗劳尔斯阿雷阿尔索受到冲击的比外部因素因素就像天气条件和事件一样。对于实例来说，大雪可以使许多地区的交通流量急剧减少。到地址他们的特点，许多现有的研究[6，20，36，40 -42]使用卷积神经网络(CNNs)作为主干结构，提取空间近距相依性;时间去听性（e.g。、 at the瑞森特、每日和周刊级别）阿雷用差动子支捕获。Meanwhile，外部因素的影响是由一些人工指定的人编码的子网。图1：粗粒状的vs. 微细颗粒状的城市流。在这纸质、we福克斯论预测城市弗劳尔斯at a微细颗粒状的水平，在社区里，Wich很重要，你是个未开发的人。细粒流可以创造底层动力学的特征城市、劝告贝特决策制造。 为实例、美国展示在图1,阿奎林德the交通在a斯莫尔区域的利益与尺寸为150米150米can帮助阿洛卡特山警察资源更多普雷西塞利在知道的情况下that信息at a区水平与尺寸600米600米没有了有用的。 通知that为a特别城市、增加the颗粒度（e.g。、600米150米）is当量到奥布泰宁高分辨率（e.g。、32 32 128 128）。我们用“高分辨率”和“精细的野蛮”来交换。阿尔托上位研究有显著的承诺结果at粗粒状的级别（e.g。、32 32北京【40]），their建筑师阿雷不随机性为预测微细颗粒状的城市流动尽职关注专场挑战：1) 全局空间依赖关系。栅格城市与更高的分辨率揭示更多细节的城市移动和，平均，扩大距离（或跳跃）之间的两个吉文网格细胞。作为人物秀场1（a）、办公区之间的酒花数（R1）和住宅（R2）在图1（b）贝科梅斯四泰晤士报的thatWWW'21,四月19-23, 2021,卢布尔雅那、斯洛文尼亚梁埃及艾尔。1834≪啊。×住宅办公室区域分区240160800粗粒滑行流（600米）细粒出租车流量（150米）时间周期：2013/07/01-2013/07/07#of霍普斯14181121(a) 的实例过渡(b) 空间转换大区空间网格空间Primarily、we引言a新结构（格洛内）到捕获全球斯帕蒂亚尔依赖关系。 We分区a城市进入N网格细胞。比较到深度n+ that directly模型所有网格间的科雷-拉奥恩斯（共计N2相关）、we表演关系上的推论a高语义水平（i.e.， 大区水平）that is更多友好地捕捉这样的全球关系。作为在人物被剥夺2（b）、we first表演a转换来自网格空间到大区空间（米Re-Gions）、和then infer the区域性相关关系全球比消息图二：(a)科帕雷斯山the过渡帕特尔恩斯来自a切尔泰因周在北京。 (b)秀格莱德-和以区域为基础的地图Seg-Mentation，就像空间之间的转换一样他们。在人物1（a）。这就是数字中的统计的原因2（a）我们可以在哪里见证更长范围的网格间通信（i.e.，跨越与更多的跳跃）比较在粗粒化设置中短程过渡的地方是主要的。Hence，在这样的细粒度环境中，它对捕获全球尺度上的区域依赖关系具有更重要的意义。在现有研究中[6，40，41]，长范围空间依赖关系是由大接收场捕获的，通过叠加多个卷积层实现，哪里的each层捕获只有局部尺度上的短范围依赖关系。如此朴素的重复是计算错误和原因优化的困难[7]。用扩张的思想康斯沃卢蒂翁【39】滕兹到阿尔莱维亚特这回撤到索姆延伸、资讯科技未能改进预测绩效经验（见附录A更多详情）。事实表明，简单地增加接受领域无济于事。开诚布公，一种叫做深度的新方法+[20]努力捕捉全球空间相关信息每一层通过显式建模所有相互关系的相互关系网格。 豪韦弗、资讯科技不择手段因杜塞斯a庞大号码参数的与高计算成本。 亨斯、如何到有效捕获全局空间依赖余项无法解决。2) 外部因素&土地功能。普雷维奥乌斯研究喜欢迪埃普斯特【41和ST-ResNet[40]使用子网络映射出each网格单元中非三元因素的影响。具体来说，他们堆叠在外部因素上的七个全连接层：形成层法案作为嵌入层组合each因素和最终层地图短嵌入到高维特征与相同形状的流图。保留，作为分辨率提高到一个细粒度级别，它将诱导一个大的参数数比例到最终层的网格细胞数。更多的是，他们忽视了土地功能的影响，因为它对交通很感兴趣。运动。 到这终点、深度n+【20】现在a新联合监听POIs信息的方法就像外部因素一样好。持久性，在深度+，外部因素只用于学习POI特征差异的权重，而忽略了外部因素对差异网格单元的影响程度的显著差异。它仍然是在细粒度中学习对外部因素的特定位置反应的挑战设置。谈到上述挑战，我们现在是一个S时空-时间R埃拉蒂翁N细粒度城市流量预测的etwork（STRN）。相似的到the普雷维奥乌斯和电流最先进的水平方法【20，40 []，STRN遵循CPT（接近、时期和趋势）范例进行模型the三类型的时态依赖关系、和乌塞斯a美国有线电视新闻网-传球。 辛斯the大区语义变化超过时代、a新以损失为基础的论最低限度切理论埃纳布莱斯the模型到动态分区the地图进入不规则的地区。 最终、we项目the特征回到网格空间和模糊全局感知特征。在这条路上，我们的方法只需要模型米2所有区域对的关系1，哪里的类型米N。Moreover，我们现在是原来的元学习者基于矩阵对时间演进的外部因素产生细胞特异性响应分解。与DeepST和ST-ResNet比较，我们的元学习者不是唯一的潜在区域功能的参与者，但它是独立的。 地图分辨率。它是更轻盈和实用的细粒设置。在与深度+的对比中，我们的模块可以捕获细胞对外部因素的特定反应，并学习更好的代表。在总结中，我们的贡献是四分折：我们是一个统一的模型，这个模型是空间的共同参与者，预测细粒城市流量的tem-孔和外部关系。一个系统已经部署到展示它实践性。我们发展了一种格洛尼特结构，它以比现有方法更经济的方式捕获了全球空间依赖关系。我们设计了一个原始的元学习者，以同时学习外部因素和土地功能的影响。We行为延伸实验到评价我们模型论两个真实世界移动数据集。我们的模型减少误差比7.1% 11.5%怀勒乌辛美国联邦美国勒斯丹1%的the号码参数的请求在the最先进的水平方法深度+。2配方定义1（网格细胞）美国肖恩在图3（a）、we分区一个感兴趣的领域（e.g. 、A市）晚成a H W带全部的光栅N=HW格子细胞。那种膨胀的笔记H或W我们可以用更高的数据来获取城市流动数据的指标分辨率。(a) 地图分割(b)路网络(c)不规则区域图3：(a)：基于电网的地图分割。 (b)-(c)：We帕尔-蒂蒂翁北京进入不规则的区域基论路网络。定义2（城市流动）The城市弗劳尔斯at a切尔泰因时代t能以三维张量表示Xt∈ R K×H×W，何地K是流量测量数（e.g.，流入/流出）。埃奇入口（k，h，w）德诺特斯the价值的the k-th测量在the细胞（h，w）。基骨干到提取物高水准的ST特点。 到地址the在挑战之上，我们设计两个特定模块美国跟着走。1对于实例而言，N= 1282=16384 while米= 100 in TaxiBJ+数据集#过渡（千）····微细颗粒状的城市流动预测WWW'21,四月19-23, 2021,卢布尔雅那、斯洛文尼亚1835...∈∈∈{|}···-∈∈t-t-(1) 数据制备（二）车型学习/预测图4：The框架的斯特恩。 近距离接触、期间和趋势阿雷瑞森特、每日和周刊模式; Conv：卷积层。定义3（地区）土地使用和功能恩多差速器到边界不规则的城市地区的地理图形语义学[43]。图3（c）展示基于道路网络的不规则区域划分的实例。它以一种更自然和更语义的方式保护了我们分割的城市空间丹the基于电网的方法。阿苏梅that伊奇大区孔西斯茨的马尼山网格细胞和we can特雷比使用a母体乙R N×米 到教派，何地埃奇元素乙我，j是网格细胞的似然我属于大区j和米是数字的地区。定义4（外部因素）城市流动数据与外部因素、天气状况、日和事件的时间有很强的相关性。我们在精确的时间步长上表示它们的外部因素t作为一个向量e t R le，何地le是特色长度。定义5（土地特点）The凯特戈里的波伊斯和泰尔登-在一个城市网格细胞中的位置指示一个细胞的土地功能就像这个细胞中的交通模式一样好，这对网格细胞的城市流动有很大的贡献[20]。有节制，道路网络（RNs）的结构就像高等级道路段的数字一样是有节制的a好补充到交通建模【17，43]。 Thus、we combine the土地特点包罗万象波伊斯和RNs的每细胞、并把他们的面额说成是PRlf×H×W，何地lf 是特色号码。问题陈述这里，我们定义问题微细颗粒状的城市流动预测：吉文the微细颗粒状的历史美国城市流量计价观察X我我= 1，2、、t 1、纠正自发外部因素e t，和the土地特点P，我们目标是到普雷迪克特the城市弗劳尔斯atthe未来时代步、面额面额的美国X t。3方法学图4插图《两大阶段的框架》、《两大阶段的一致性》：数据准备工作和模型学习/预测。在第一阶段，我们首先选择关键时间（接近、时期和趋势）来创造流动投入，按X c，X p和Xq，尊重。 Meanwhile、we费奇the上下文的the外部因素e t和土地特征P。附录中保留了关于这些输入的构造和维度的更多细节乙、在the第二舞台、the预备数据阿雷美联储到学习the车型，跟随a地方到全球范式。美国肖恩在图4,为each时态序列（X c，X p和X q）、we第一使用三非共享卷积层到转化泰姆到嵌入式奥c，奥p，奥q，与 之 配 套 的 each 丁 通 道 ， i.e. ， 他 们 都 在 R 丁 ×H×W 。Meanwhile，我们设计了一个元学习者它带走了外因和土地特点美国输入到学习the外部影响论伊奇城市格栅细胞、何地the学习代表奥米is的the同形状美国奥c。 接下来，we孔卡特纳特the三类型的时态特点很好美国the梅塔特点、和饲料the融合雷苏尔特奥R 4丁×H ×W到the骨干网络为特写提取物威辛its地方重新─塞普蒂夫菲尔兹。 这早融合战略allows差速器金德斯的信息到interact与伊奇其他在the骨干网络。一次我们把提取的高级特征X h R C×H×Wata地方规模、we设计a格洛尼特结构到捕获the全球空间相依性和最终预测的产生。最后，我们优选the模型重量比乌辛a损失功能包含二零件：a明库特损失为自动大区分区和a绝对平均数误差（梅）损失为测量the预测错误。3.1骨干网络一个强大的主干网是城市流量预测的关键，因为它可以帮助模型学习使用和判别特征。为例，深度[41]利用卷积数叠加法对城市流量预测提出第一个基于深度学习的解决方案布洛克为空间-时间特写提取。 美国the网络深度膨胀，深度将坚硬列车完成恶名消失梯度问题。 到过来人这回撤、雷斯内特【7【它是古今盛世的中坚力量【6，20，40】为城市流动预测。 豪韦弗、他们在空间维度中增加依赖项，并在特征地图中展望通道感知信息。在这篇论文中，我们雇用了挤压与激励网络(SENet)[10]将空间和信道明智的信息与小（i.e.，地方）接受菲尔兹at伊奇层、惠希哈斯普罗文到be生产中的效果。each网格单元的紧凑和判别特性。作为人物秀场4、它带来了融合的结果奥作为each cell的高级代表的输入和输出。首先，我们使用一个卷积层来压缩输入通道的维度，从4丁到C。Then，we stack F挤压与激励（SE）布洛克【10】与C用接收场进行特征提取的过滤器。最终，一个卷积层用于生成输出X h。附录中可寻管道的可视化研究C.3.2全球关系模块后地方特写提取物、we现在a全球关系莫德乌勒（格洛内）到捕获the全球斯帕蒂亚尔相依为命在a更多时代标签Xt外部t1221波伊&RNetP损失功能梅塔里亚尔奥米明库特损失前损失近距离接触Xc孔夫精选基泰梅斯特普斯期间Xp大区空间孔夫骨干网络趋势XqXh网格空间孔夫格洛尼特Pr埃迪奇t我奥n X^t费奇分机&土地特点...奥c康卡特奥p奥q奥WWW'21,四月19-23, 2021,卢布尔雅那、斯洛文尼亚梁埃及艾尔。1836▲L奥∈∈∈∈LL∈∥·∥/L ∈ [-】我___________z____sx___________________z______ s我。Σ重塑&普雷迪克特网格特点大区特点大区特点网格特点预测图5：The管道的格洛尼特、何地N = HW和米阿雷the号码的网格细胞和区域尊重。经济方式丹the普雷维奥乌斯阿滕普茨（e.g。、DeepSTN+）。 动机-T˜ д▲T▲乙瓦特德比the关系网络【2，14，44】西津关系贝特韦恩L米=-Tr（乙A乙）+▲▲乙▲我米-，（二）对象在图片、we表演关系推论论a高就─xTr（乙T丁˜д乙）Lc▲ ▲乙T乙▲F√米▲F最低限度切（明库特）理论为大区分区。图5德皮克茨the整管道的格洛内。 We第一使用高级特征X h生成分配矩阵乙按线性转型。 比雷费尔林山到这矩阵、格洛尼特then Ag-Gregates网格单元特征进入区域空间到闭塞大区特点HR米×C′和产生联系（i.e.， 邻接关系母体ArR米×米）贝特韦恩these地区。 美国the区域阿雷以图的形式连接，我们实用图卷积网络（GCN）[13]在区域关卡上表演传话。我们曾经蒙蔽了具有全球感知的特征，而这种特征是本族性的论the大区级别、the最后步的格洛尼特is到项目他们回到格子空间，产生最后的结局预测。3.2.1区域划分。召回主干网曾经拥有的Pro-Duced对流史和外 文 的 高 度 抽 象 。 为 了 方 便 ， 我 们 重 塑 了 这 个 张 量 。XhRN×C，何地N=HW是网格细胞的编号。通过这样做，伊奇何地F德诺特斯the弗罗贝尼乌斯诺姆; Tr is the特雷斯的a母体; Aд R N×N是从“邻接矩阵”派生的欧几里得斯特鲁克图re和A˜дis its常态化;丁˜дis the德格ree母体的A˜д。 我米=乙ˆT乙ˆis ar埃斯卡尔e丁聚类作用矩阵、whe re乙ˆassigns埃克斯克特利N米网格单元到each地区。c1，0面额一致性损失that埃瓦卢特斯the明库特吉文比乙。最小化c执行强连接网格单元，以便在其他条件下结扎到同一区域奥鼓励对其的分配be正交和the区域到be的相似的尺寸（见证明附录中的D）。这两个术语在L奥有一个单位范数，it is奥沃维奥斯that 0 ▲ L奥▲ 2. 亨斯、L奥多埃斯不支配超过Lc。3.2.2空间转换。将网格单元特征和美国标志矩阵联系起来，我们将基于网格的嵌入转换到它们的区域对应部分H R米×C′对谁更友好捕获全球依赖关系。 莫雷奥弗、we极品到查找the互联互通A r ∈ R米×米贝特韦恩these地区。美国人民阿雷能力的旅行--网格我可以通过嵌入来表示x h∈ R C。这里，weN×米ing到遥控器普莱塞斯在a肖特时代期间（e.g. ，30分钟）在mod--求生成网格到区域分配矩阵乙∈ R，恩城市、we阿苏梅that所有区域阿雷穆图阿利连接（i.e. ，a何地米is a超参数that印度the号码的地区。阿尔托我们可以进行基于静态区域划分路网络美国门蒂奥尼德在节2,资讯科技故障到捕获高动力交通条件和the时间循环型的外部因素。 到塔克尔这问题，we计算乙基论the高-水平代表X h比米安斯的a功能△，惠希地图伊奇网格特写x h进入the我-th罗的乙美国乙= softmax △（X h），（一）完全记录器）。嵌入使用复杂度和时间消耗操作，我们实现了空间转换比H= 乙 ⊤ϕ （ Xh ） ，Ar= 乙 ⊤A˜д 乙 ，（三）我们直接在哪里产生each区域的特征聚合体-ing the特点的the科伦布尔丁细胞that贝隆到这区域;ϕ是一个密集的层，它压缩了嵌入的维度。C到C ′到阿沃伊德重计算; A r is a对称性矩阵，谁的入口a我，我是网格间边的总数细胞软最大功能的哪里保证each柱的和等于一。We parametrize △作为前馈神经网络。明切理论的激励[1，30]由于移除边的最小体积，分割节点进入不交子集，我们将each区域视为包含许多网格单元的簇，并通过新的损失规则化分配矩阵。用其他的话来说，the网络重量can be联合优化的比尽量减少特定任务的经常性损失（e.g.，MAE loss），我们很好非超级-维塞德明库特损失L米合体的二条款：在区域内我，while a我，j是区域间的边数我和j。它可以满足那些A r从占星家来Lc在情商。2、thus，the trace maximization产量区域马尼山内部电网-单元连接和弱连接到each其他人。3.2.3消息传球贝特韦恩地区。 后空间转换，我们盲出一个新的图，each节点在哪里表示一个不规则区域和伊奇艾奇模型the相互作用阿蒙二地区。 到模型the区域间关系、a自然的理念is到使用卷积图网络(GCN)【13】到表演消息相大区空间大区乙空间Ar：分区转换消息传球(GCN)反面投影H：米× C‘Xh：N ×H‘：米× C‘Xg：N ×X^t：K×H×W曼蒂克水平（i.e.， 大区水平）that is更多弗利恩德利到捕获全球关系公司。 莫雷奥弗、we设计安不受监督的损失基论theWWW'21,四月19-23, 2021,卢布尔雅那、斯洛文尼亚梁埃及艾尔。1837互传递these区域基论Ar。 豪韦弗、we通知that Ar is a对角优势型矩阵、描述a图与自循环比任何其他连接都强。作为一个自我循环作为一个汉帕the传播阿克罗斯adjacent诺德斯在消息传球微细颗粒状的城市流动预测WWW'21,四月19-23, 2021,卢布尔雅那、斯洛文尼亚1838∈L∈∈∈×（）L∈∈∈∈丁 2A丁2波伊斯土地特点电网单A˜ rHW1 W 2（斯凯梅斯【13】、we计算a n e w邻接关系母体A˜rR米×米比对角线和应用度归零常态化：l f重塑丁马特穆尔Aˆr=Ar-迪亚格。ArΣ;A˜r=ˆ -1ˆrˆ -1（四）NN嵌入式层GCN为全球关系推论论the大区图到产生新的地域特征H′∈ R米×C′美国2层重塑MLPlf参数嵌入式。Σ外部因素外部特点丁图6：管道的the提出梅塔学习者。何地W1，W2 R C′×C′是可学习的重量。这里，地区信息通过图传递给each生成全局感知的表示地区。3.2.4反面投影。 曾经we奥布泰因the全球感知的特点H′来自大区空间、the下一页步is到项目泰姆背到the原创太空。 相似的到the步的空间转换、we can是否使用一个分配矩阵来进行反向投影。使用超常操作和引入的附加开销的不足，we重新利用乙R N×米把地区特色项目回到电网单元线性组合作为的特性关注：Xд=乙θ（H′），（六）何地θ is a登色层为维度转换来自C ′到C。 一种新的格元特性Xд R N×C是由聚合它们的相关区域特征，which是由复用矩阵实现的θH′。现在联东办事处，我们有一个网格-区域-网格转换到学习the全球感知的特点在这模块。3.2.5重塑&预测。 Lastly、the全球感知的有鉴别力的特征Xд阿雷重塑到RC ×H ×W苏奇that the产出维度-锡安能匹配输入维度Xh形成一条剩余路径，和f e丁到a康恩五奥卢蒂翁洛杉矶y呃到p r奥杜斯the决赛p re迪克西恩斯Xˆt。在实践、the母体倍增程序为投影和反向投影是由一个1卷积层实现的，因为它支持高速平行化。当计算机小损失，我们需要商店和雇主两个母体（i.e.，A˜д和丁˜д）与沙p e N比N，惠希德拉马蒂卡利公司r伊斯耶斯the记忆成本和计算成本在设备（美国a GPU）。为了解决这个问题，我们告诉他们两个母体是稀疏的特雷比实施情商。 2基论稀疏母体乘法。3.3梅塔里亚尔纳就在前头，现有的作品就像深度一样[41和St-Resnet[40]使用全连接层编码外部因素托为城市流动预测。 豪韦弗、美国the颗粒度当它大到细粒度设置时，它将诱导最后一层的大量参数与网格单元数成比例（N）。在附加中，他们没有注意到土地特征对土地的影响the交通运动。 到这终点、深度n+【20】现在a联合监听的新方法诗人信息就像是外部因素一样好。他们通知POIs在流图上有变化的时间影响因子，他们改变了影响POI强度的外部因素。However，外部因素是阿普莱德到体重论差速器通道（i.e.， categories）的波伊斯当忽略外部因素对差异细胞的影响程度的显著差异时。Thus，如何在细粒环境中学习细胞对外部因素的特异性反应残留物a挑战。在将军、网格细胞与相似的土地功能威尔哈夫对外部因素的相似反应。基于此观察，我们设计a小说梅塔里亚尔纳到产品细胞特异性回应到外部因素基于矩阵因子化。给土地上的特色P R lf×H×W和外部特征e t R le中，我们希望计算出each网格细胞的反应比奥米= f毫升（P，et）∈ R丁×H ×W。（七）去，输出奥米将与时间信息早融合（奥c，奥p，奥q）并向主干网提供资金。无引言a大号码的参数在f毫升，我们可以重塑这目标张量美国R N ×丁和分解资讯科技进入两个母体LR N×k和RR k×丁，which satisfies奥米 =LR。由非常最近的研究引起的学习each的特定预测因子网格细胞【27】、we can观L美国the电网单元嵌入式怀勒R用表示参数嵌入生成e t美国元知识。对于简单、L是从土地特征重塑而来的P，何地lf=k在这个时候。在这种方式中，我们可以保证那些具有相似土地功能的细胞将对外部因素产生相似的反应。对于参数嵌入R，我们愿意这样做变化超过时代和有影响力的比the外部因素、苏奇作 为 天 气 和 时 间 。 基 于 流 量 元 学 习 方 法 的 启 发 预 测【27】、we can使用a两层的MLP到代它：第一层改变了外部特征le到l丁和第二层弗瑟康弗尔茨the维度到be lf丁。 最后，我们重塑the产出和assign资讯科技到R。帮助更好地理解元学习者，图6未来描述它是整个管道。与ST-ResNet中的外部组件进行对比，美国我们梅塔里亚尔纳is独立报的the地图分辨率(only lel丁+l丁lf丁参数，which可以更少地设置N）、is穆赫更多莱特维特和实践在微细颗粒状的设置。在康斯特拉斯特到DeepSTN+、我们模块can捕获the细胞特异性回应到the外部因素和学习贝特代表。3.4优化我们的方法从历史到保护中提供了端到端解决方案到微细颗粒状的预测、惠希is可区分的EV-Erywhere。Hence，网络可以通过反向传播进行训练战略和the亚当优化器。 到列车我们模型，we艾姆到米尼米泽the跟随损失功能与二条款：L=L前+α L米。（八）这里，α这是两个损失之间的权衡前是评估误差的像素明智平均绝对误差（MAE）乙埃及we恩我们p re狄提翁Xˆt和the铸件r冰p翁丁g r折返真相Xt。奥米R产出whe re丁ˆ德诺特斯the德格ree母体的Aˆr。 Then，weempl奥yatwo-H′= fGC N（A˜r，H）= A˜r雷卢斯WWW'21,四月19-23, 2021,卢布尔雅那、斯洛文尼亚梁埃及艾尔。1839×××××{}{}×#Params4评价4.1实验设置4.1.1数据集。我们在两个方面做我们的实验真实世界数据集、何地TaxiBJ+ is the微细颗粒状的版本的塔克西布杰重新租用的比[41]和哈皮瓦利山is来自[19]。TaxiBJ+：这数据集来源来自the特拉杰克托利的超过北京四个差时3万辆滑行道（i.e.，P1至P4）。由于出租车分配和数字在他们四个时间段是不同的，我们评价我们的方法超过了他们的分离时期。作为人物秀场1（b），我们将感兴趣的领域定为最受欢迎的贩运领域，并将这些领域栅格化到128 128均匀网格单元。each cell的尺寸为150m150米，比TaxiBJ等流行数据集更细粒度[41]和MobileBJ[20]。我们关注上古研究[40，41]到地图全球定位系统点到差分网格单元，每半惠希计算进出量的each小时。哈皮瓦利山：资讯科技普罗维迪斯开放式阿克塞斯为the公众到观察者北京某大众主题公园小时人体密度，请我们以全球转型的高速度检验一亩小区域的模型能力。我们把区域划分到50个100格的细胞里，惠希的each就在10米远的地方。10米。人体密度在TaxiBJ+中比出租车流量分布更多辛斯there阿雷塞维拉尔流行的玩设施与比他们最近更远的流动地区。The详情的泰姆阿雷可利用的在表1. We使用the从前12个时间步骤到预测后1个步骤的观察，并设置了美国周期和趋势模式的框架3。在TaxiBJ+和HappyValley的each时期，我们招募了前70%的训练集，后20%的验证集和测试集的认可。到年代学秩序。 We哈夫移除the拉贝尔与所有人恩特里耶斯等到零。贝赛得斯、we使用零马特里塞斯美国历史对于那些没有优惠待遇记录的项目。加速融合的STRN、a独一无二的数据常态化方法【19，25】对于城市流动数据是在我们这里就业的书房。表1：说明的the二数据集。2（流入和流出）土地特点（POIs，路网络）#的波伊斯651,016（20类型）/#特点RNs5/4.1.2基线。我们与追随者同病相怜基线：有马：一个已知的时间序列模特。瓦尔河：向量自回归（VAR）可以捕获配对关系阿蒙网格细胞。 到阿沃伊德参数爆炸性、我们使用美国Nearby 77Cells的历史输入。LSTM【9]：龙短期的记忆is a瓦里安特的香草RNN用于学习长期时间依赖关系。迪埃普斯特【41]：The第一深以学习为基础的预测模型面向基于网格的时空数据。斯特-雷斯内特【40]：A基于雷斯内特的方法、惠希秀关于全城人群流动的承诺-结果预测。ST-3DNet【6]：资讯科技乌塞斯三维卷积到捕获the流量数据在时空上的相关性维度。康弗尔斯特姆【31]：它将LSTM推广到具有卷积性更好地捕获时空的结构图关系。STDN【36]：资讯科技雇员美国有线电视新闻网和LSTMs到捕获斯帕蒂亚尔和时间相关性分离，以及时间长周期模型的一种注意机制换档。深度n+【20]：The最先进的水平方法为城市流动预选，wich可以捕获长期空间依存关系作为良好的土地效应功能。We测试差速器超参数计为泰姆全部，芬丁the最佳设定为伊奇超过the二数据集分离主义者。 为例举、对于LSTM和ConvLSTM，我们调整了隐维度和差异性数字的层。 通知that the原创设计的深度STN+伍尔德引言太马尼山参数（过10克）当资讯科技是直接的应用到我们微细颗粒状的数据集。 到阿沃伊德the爆炸性参数、we集the统筹速率32为深度+。4.1.3培训详情&超参数。 We实施美国STRN井美国the基线比皮尔托尔奇1.1与一RTX 2080资讯科技。 学习速率is哈尔韦德每50 epochs、起跑来自0.001,和这批是16号。在主干网中，卷积层和区块的使用C= 32，64，96，核大小为3的128过滤器3.为the号码的堆叠SE区块、we行为a网格搜索超过F= 3，6，9，12. Moreover，we set C′= 0。5 C用于特征的还原在the格洛尼特和调the大区号码米。 在the梅塔学习者、两个全连接层存在l丁= 32和lf= 25个隐藏单位尊敬的和the嵌入式长丁is 64.图7：模型表演论TaxiBJ+ vs. #的参数。x轴和y轴指标平均MAE和RMSE超过the四时代斯潘斯的TaxiBJ+。 The颜色的伊奇点面额参数的数字。值得注意的是号码的参数在深度n+拉尔盖利超值5米。···········数据集数据类型TaxiBJ+出租车旅行哈皮瓦利山人类流动分辨率网格单元尺寸128 × 12850 × 100#通道（K）抽样速率150m × 150m30分钟10m × 10m1（人口）1小时P1：07/01/2013-10/31/2013时间跨度P2：02/01/2014-06/30/201401/01/2018-P3：03/01/2015-06/30/2015 P4：11/01/2015-03/31/201610/31/2018外部因素（气象学、时间和事件）天气16类型8类型温度/℃[-24.6,41.0][-24.6,41.0]风时速/时速[0.48.6][0.48.6]#假期4133票奖/人民币/[29.9中，260]微细颗粒状的城市流动预测WWW'21,四月19-23, 2021,卢布尔雅那、斯洛文尼亚1840-LL(a)区块数vs。 前(b)滤镜号码对战。 前(c)地区数对战。前(d)参数权衡vs。前表二：模型比较论TaxiBJ+、何地the记号∆印度the还原的前比较与深度+。方法#帕拉姆P2P3P4前∆RMSE前∆RMSE前∆RMSE前∆RMSE有马<0.01M2.46+24.2%5.372.91+28.8%6.343.02+26.4%6.552.08+19.5%4.47瓦尔河<0.01M2.41+21.7%5.212.84+25.7%6.182.92+22.2%6.382.06+18.4%4.35LSTM0.07M2.27+14.6%5.042.68+18.6%6.032.78+16.3%6.211.88+8.0%4.20康弗尔斯特姆3.45M2.03+2.5%4.472.33+3.1%5.152.45+2.5%5.431.76+1.1%3.94迪埃普斯特0.46M2.21+11.6%4.682.53+11.9%5.412.57+7.5%5.591.92+10.3%4.05斯特-雷斯内特2.39M2.14+8.1%4.582.48+9.7%5.292.61+9.2%5.551.83+5.2%3.88ST-3DNet0.89M2.16+9.1%4.562.30+1.8%4.992.38-0.4%5.231.95+12.1%4.20STDN6.36M2.08+5.1%4.402.32+2.7%4.982.44+2.1%5.231.85+6.3%3.85深度n+0.27G1.98-4.242.26-4.872.39-5.151.74-3.75斯特伦0.88M1.82-8.1%4.132.10-7.1%4.712.19-8.4%5.011.54-11.5%3.614.1.4评价计量学。 We米阿苏雷模型性能比两种常用指标：平均绝对误差（MAE）和均方根误差（RMSE）。斯莫勒指标指标高精度。对于each数据集，我们运行each方法5时代和报告each的平均错误接近。4.2上的结果TaxiBJ+4.2.1模型比较。 We现在the实验结果超过表中的TaxiBJ+ 2.在《粒子》中，我们报告了与之合作的结果F= 9、C= 64，米= 100和α= 5 e 3作为我们的违约设置。我们斯特伦特尼菲坎特利出类拔萃所有比赛基线在RMSE和MAE的条款中，所有时间都与之达成一致学生T-检验at水平0.01. 比较到the最先进的水平方法（DeepSTN+）、我们接近雷杜塞斯前比近似7.1%到11.5%在伊奇期、怀勒乌辛只0.33%的the号码深度中的参数请求+。理性是两折的。首先，我们的方法捕获了A中的全局空间依赖关系更多效率方式、i.e.，比格洛尼特结构。第二、斯特伦卡普图雷斯the细胞特异性回应到the外部因素。 比较到ST-3DNET、我们模型苏尔帕塞斯资讯科技比a大保证金怀勒享受a相似的参数大小。 来自表2, we can阿尔索哈夫the跟踪观察。 有马普罗维迪斯a下楼定界的模型表演。The结果的瓦尔河is穆赫沃斯丹the深模型杜伊到它在下边模型能力。 打车优势的the RNN架构，ConvLSTM和STDN光提前the普雷维奥乌斯最先进的技术包罗万象深度、斯特-雷斯内特和ST-3DNet。 豪韦弗、他们的both哈夫超前省the全球斯帕蒂亚尔相依为命美国井美国土地功能，领导劣效对抗深度+和STRN。到弗瑟秀the进步的我们车型、we阿尔索分析平均表演的伊奇模型反对the参数size over TaxiBJ+在人物7、惠希明确显示我们的方法赢得在重量和效果。下一步，我们研究有效性的伊奇模型成分超过P1的TaxiBJ+。4.2.2骨干网的效果。在一般情况下，一个强大的骨干网络可以显著提高特征提取的能力。这里，我们把它和剩余块的变体联系起来了。（ResBlock）【7】或the斯坦德拉尔德卷积布洛克（ConvBlock）美国the骨干。 We阿尔索阿特坦普特差速器数字的these布洛克斯（F）和过滤器（C）去研究他们的效果。专一，我们集C= 64要探索效果F和莱特F= 9到研究效果的C。美国德皮克特德在图8（
我的内容管理
展开
