基于高架影像的交通速度动态模型及其应用

1基于高架影像的Scott Workman Nathan Jacobs DZYNETechnologies肯塔基大学摘要我们的目标是使用俯拍图像来了解交通流量的特征，例如回答这样的问题，比如你在周日凌晨3点穿越时代广场的速度有多快。解决这个问题的传统方法是将每个路段的速度建模为时间的函数然而，这种策略的局限性在于，在可以使用模型之前必须首先收集大量的数据，并且它不能推广到新的领域。相反，我们提出了一种使用卷积神经网络生成交通速度动态地图的自动方法我们的方法操作在开销图像上，以位置和时间为条件，并输出一个局部运动模型，该模型捕获可能的旅行方向和相应的旅行速度。为了训练我们的模型，我们利用了从纽约市收集的历史交通数据实验结果表明，该方法可以用于生成精确的城市规模交通模型。1. 介绍公路运输网络已变得极其庞大和复杂。根据交通统计局的数据[31]，仅在美国就有大约660万对于大多数个体而言，在这些复杂的道路网络中导航是日常挑战。最近的一项研究发现，在美国，每年行驶约17500公里，相当于开车超过290小时[33]。因此，交通建模与分析已成为城市发展与规划中日益重要的课题德克萨斯州A M运输研究所[26]估计，考虑到494名美国人，2017年在城市地区，有88亿小时的车辆延误和125亿升的浪费燃料，造成1790亿美元的拥堵成本。考虑到这些深远的影响，人们对理解交通流和开发新的方法来应对拥堵非常感兴趣。许多城市开始配备智能交通系统，如自适应交通图1：使用我们的方法动态模拟纽约市布朗克斯的交通流。（左）周一上午4点和（右）周一上午8点的预测交通速度。绿色（红色）对应于更快（更慢）。控制，利用计算机视觉和机器学习的最新进展例如，匹兹堡最近在50个十字路口部署了智能交通信号灯，这些信号灯使用人工智能来估计交通量并实时优化交通流量最初的试点研究表明，旅行时间减少了25%，等待信号的时间减少了40%，停车次数减少了30%，排放量减少了20%。最终，由于其在提高安全性、减少拥堵和减少排放方面的潜力，将机器学习应用于交通管理问题的兴趣持续增长直接访问经验交通数据对于规划者分析与底层街道网络相关的拥堵情况以及验证模型和指导基础设施投资非常有用。不幸的是，与时间、交通速度和街道网络相关的历史信息通常获取起来很昂贵，并且仅限于主要道路。直到最近才向公众发布了大量的交通速度数据。五月2019年，Uber Technologies，Inc. (an美国跨国共乘公司）宣布了Uber运动速度[1]，这是一个从其共乘平台的司机那里收集的街道速度数据集。然而，即使这些数据也有局限性，包括：1）覆盖范围，速度数据在发布时仅适用于5个大都市，以及2）粒度，并非所有道路都在所有时间经过（或1231512316图2：在城市环境中，交通速度全天变化剧烈。例如，辛辛那提市中心的交通拥堵在（左）清晨（上午12点至上午7点）是最小的相比（右）下午高峰（下午4点至下午7点）在工作日（可视化从[1]）。速度显示为自由流的百分比，其中绿色（红色）更快（更慢）。穿越一切）。例如，考虑到2018年的每个星期一，纽约市只有29%的路段在星期一下午12点有历史交通数据在这项工作中，我们的目标是使用历史交通速度来构建给定城市的完整交通流模型（图2）。用于对交通流进行建模的传统方法以反映路段的存在和连通性的图表的形式）和模型路段。然而，这种方法是有限的，因为它不能推广到新的领域，它给出了噪声估计的路段与几个样本。相反，我们探讨如何图像驱动的映射平可以应用到交通流模型直接从头顶上的图像。我们设想，这样的模型可以被城市规划者用来了解城市规模的交通模式时，完整的道路网络是未知的或不足的经验交通数据。我们提出了一种自动生成动态地图的交通速度使用卷积神经网络（CNN）。我们将其视为一个多任务学习问题，并设计了一个网络架构，可以同时学习分割道路，估计方向和预测交通速度。除了俯视图像，网络还将描述位置和时间的上下文信息作为输入。最终，我们的方法的输出可以被认为是捕获可能的行进方向和相应的行进速度的局部运动模型。为了支持训练和评估我们的方法，我们引入了一个新的数据集，该数据集利用了从Uber Movement Speeds收集的纽约大量的实验表明，我们的方法能够捕捉到底层道路基础设施和交通流量之间的复杂关系，使城市规模的交通模式的理解，而不需要预先知道的道路网络。这使得我们的方法能够推广到新的领域。本文的主要贡献概括如下：• 引入用于细粒度道路理解的新数据集，• 提出了一种用于直接从头顶图像估计局部运动模型的多任务CNN体系结构，• 集成位置和时间元数据以实现动态交通建模，• 一个广泛的定量和定性分析，包括生成动态城市规模的旅行时间地图。我们的方法有几个潜在的现实世界中的应用，包括预测交通速度和提供的历史交通速度的道路上，在特定的时间段内没有transversed的估计。2. 相关工作城市规划领域[15]旨在了解城市环境以及如何利用它们来指导未来的决策。总体目标是随着社区的扩大形成增长模式，以实现理想的土地使用模式。这里的一个主要因素是了解环境如何影响人类活动。例如，研究表明物理环境如何与身体活动（步行/骑自行车）相关，并随后影响健康[24]。交通规划是城市规划的一个特定子领域，侧重于交通系统的设计。其目标是开发符合并促进人类活动理想政策的旅行系统[19]。决策可能包括如何以及在何处放置道路、人行道和其他基础设施，以最大限度地减少拥堵。因此，几十年的研究集中在理解交通流，即，旅行者和底层基础设施的互动。例如，Kraueland[14]提出了一个微观交通流模型来理解不同类型的交通拥堵。与此同时，其他工作的重点是模拟城市流动性[13]。12317在计算机视觉中，相关工作试图直接从图像中推断出局部环境的特性。例如，估计土地覆盖和土地利用等物理属性[23，37]，对场景类型进行分类[41]，并将外观与位置相关联[25，35，36]。其他工作侧重于了解城市环境。Albert等人[4]使用卫星图像分析和比较城市规模的城市环境Dubey等人[8]通过预测感知属性，如安全和美观，探索物理环境外观与居民城市感知之间的关系。具体到城市交通，许多研究已经探索了如何识别道路并直接从俯视图像中推断道路网络[5，17，18，20，32]。该领域的最新方法利用卷积神经网络分割开销图像，然后直接从分割输出生成图形拓扑。绘制道路地图是一个重要的问题，因为它可以对当地社区产生积极影响，并支持灾害应对[21，28]。然而，识别道路只是第一步。其他工作集中在估计道路的属性，包括安全性[30]。了解道路的使用方式，特别是交通速度，对于研究驾驶员行为、提高安全性、减少碰撞和辅助基础设施规划非常重要因此，一些作品已经解决了从图像估计交通速度的问题。Hua等人。[11]检测、跟踪和估计交通视频中车辆的交通速度Song等人。[29]从共置的头顶图像和相应的道路元数据估计路段的自由流动速度。Van Etten [9]对道路进行分段并估计道路速度限制。与以前的工作不同，我们的目标是动态建模交通流量随着时间的推移。同样，交通预测也是一个重要的研究领域。 Abadi等人[3]提出一个自回归模型用于预测交通网络的流量，并展示预测近期未来交通流量的能力。Zhang等人[38]根据历史轨迹数据、天气和事件预测城市子区域之间的人群流量。Wang等人[34]提出了一个基于路径的旅行时间估计的深度学习这些方法通常假设道路网络的空间连通性的先验知识，不像我们的工作，直接操作的开销图像。3. 一个大型的交通速度数据集为了支持训练和评估我们的方法，我们引入了动态交通速度（Dynamic Traffic Speeds，简称VPS）数据集，该数据集利用了纽约市一年的历史交通速度我们的交通速度数据是从Uber Movement Speeds [1]收集的，这是一个以小时频率在路段上公开可用的聚合速度数据的数据集图3：纽约市Uber移动速度的示例交通速度数据（可视化为2018年1月的自由流速度）。3.1. Uber运动加速在拼车旅行期间，Uber（通过他们的Uber Driver应用程序）经常收集GPS数据，包括纬度、经度、速度、方向和时间。虽然这些数据支持许多功能，但它也被存储用于离线处理，在离线处理中，它被聚合并用于导出速度数据。此外，Uber使用OpenStreetMap作为其底层地图数据的来源（即，道路网）。1给定地图和GPS数据作为输入，使用扩展过程来1）将GPS数据与街道网络上的位置匹配，2）使用匹配的数据计算路段穿越速度，以及3）沿每个路段的聚合速度。有关此过程的详细概述，请参阅白皮书[2]。最终，公开发布的数据包括路段标识符和沿该路段的每小时分辨率的平均请注意，双向- rectional道路，表示为线串，是孪生的，并提供了每个方向的速度估计。3.2. 使用Overhead Imagery增强为了支持我们的方法，我们生成了头顶图像的对齐我们首先从2018日历年的纽约市Uber运动速度中收集道路几何形状和速度数据这导致超过2.92亿条记录，或约22GB（不包括道路几何形状）。作为参考，有大约29万沙路段在纽约市时，考虑双向道路.图3显示了2018年1月沿这些路段的自由流速，其中自由流速定义为1https://www.openstreetmap.org12318所有记录的交通速度的第85百分位。从纽约市周围的边界框开始，我们使用标准XYZ风格的球形墨卡托图块生成了一组不重叠的图块。对于每个图块，我们识别了包含的路段，提取了沿着这些路段的相应速度数据，并从Bing地图下载了一张俯视图（过滤掉不包含任何道路的图块）。这一过程导致约-在2000年拍摄了12000张1024×1024的俯拍图像。3米/像素。我们将这些不重叠的图块划分为85%培训，5%验证，10%测试。结果是一个包含头顶图像（超过120亿像素）、道路几何形状和交通速度数据（以及其他道路属性）的大型数据集。图4示出了一些示例数据：从左到右，俯视图像、对应的道路遮罩以及表征给定时间的交通速度请注意，根据时间的不同，并非所有道路都有有效的速度数据。对于该可视化，道路几何形状被缓冲（转换为多边形）为两米半宽。3.3. 聚合交通速度对 于 单 个 路 段 ， 该 路 段 在 一 年 内 可 能 有 8760（365×24）个唯一记录的速度。当考虑所有道路时，这是一个大量数据。对于这项工作，我们使用一周中的一天和一天中的一小时来聚合每个路段的速度数据，保留观察到的样本数量（即，每年有多少天的交通记录，在特定的时间段）。这将可能的交通速度减少到每段168（7 ×243.4. 讨论虽然当前版本的数据集仅包括纽约市，但我们正在积极努力将其扩展到其他可获得交通速度数据的城市London，Cincinnati）.此外，我们计划纳入其他上下文道路属性（例如，道路类型，表面材料，车道数量），因此我们的数据集对于细粒度道路理解中的其他任务非常有用。我们希望，这个数据集将激发计算机视觉领域进一步的工作，致力于交通建模，对城市规划和最大限度地减少交通拥堵产生积极影响4. 交通流我们提出了一种新的CNN，它融合了高分辨率的头顶图像、位置和时间来估计交通流的动态模型。我们可以把我们的任务看作是学习速度上的条件概率分布P（→v|S（l），l，t），其中l是经纬度坐标，S（l）是以该位置为中心的俯视图像，t表示时间。图4：我们的数据集：（左）示例图像、（中）道路遮罩和（右）速度遮罩（使用随机时间渲染）。请注意，并非每条道路的速度数据在任何时间都可用。4.1. 体系结构概述我们提出了一个多任务架构，同时解决三个像素级标记任务：分割道路、估计方向和预测交通速度。我们的网络（图5）有三个输入：位置l，时间t，以及以l为中心的俯视图像S（l）（大小H×W×C）。我们建立在一个现代的，轻量级的，seman-tic分段架构LinkNet [7]遵循编码器/解码器方法，每层之间具有跳过连接。具体来说，我们使用LinkNet-34，这是一个带有ResNet-34编码器的LinkNet。出于我们的目的，我们将基线架构修改为多任务版本，每个任务都有一个共享的编码器和单独的解码器。虽然我们使用LinkNet，但我们的方法适用于任何现代编码器/解码器分割架构。整合位置和时间上下文为了进行位置和时间相关的交通流预测，我们将位置和时间整合到最终的速度分类层中。我们将位置表示为归一化的纬度/经度坐标（μ=0，σ2=1）。时间参数为星期几（0-6）和小时（0-23）。每个时间维度表示为嵌入维度为3的嵌入查找为了形成上下文特征，我们将参数化的位置和时间嵌入输出连接在一起。然后，上下文特征在解码器中在最后两个卷积层中的每一个处被平铺和融合（作为附加特征通道级联）。损失函数我们以端到端的方式，针对所有三项任务同时优化整个网络。的12319编码器解码器（道解码器（方向）解码器（速损失损失损失预测地面实况图5：我们的网络架构概览。最终损失函数变为：L=L道路+L方向+L速度+αrL调节，（1）其中，L道路、L方向和L速度分别对应于用于道路分割、方向估计和交通速度预测的任务特定目标函数。 此外，Lreg是正则化项，用标量αr加权。在接下来的章节中，我们-跟踪每个任务的细节，包括架构和各自的损失条款。4.2. 识别道路第一个解码器的目标是在高架图像中分割道路。 我们将其表示为二进制分类任务（道路与而不是道路），导致每个像素的单个输出（H × W × 1）。输出通过sigmoid激活函数传递我们遵循最近的趋势，在国家的-艺术道路分割[42]，并将目标函数公式化为多个单独元素的组合。目标是：Lroad=Lbce+（1− Ldice），（2）其中Lbce是二进制交叉熵，二进制分类任务中使用的标准损失函数，并且Ldice是测量空间重叠的骰子4.3. 估计行进方向第二解码器的目标是估计在每个像素处沿着道路的行进我们代表这是K个角仓上的多类分类任务，导致每像素K个输出（H×W×K）。softmax激活函数应用于输出。对于这个任务，每像素损失函数是分类交叉熵：L方向= −log（G（S（l）; Θ）（y）），（3）其中，G（S（l）; Θ）将我们的CNN表示为输出K个角仓上的概率分布的函数，并且y指示真实标签。 我们计算道路方向θ，作为道路方向矢量与正X轴的夹角。值的有效范围在−π和π之间，我们通过均匀划分该空间来生成角度仓。4.4. 预测交通速度最终解码器的目标是估计当地的交通速度，考虑到图像，位置，和时间。而不是预测单一的速度值对于每个像素，我们进行依赖于角度的预测。道路速度解码器具有K个输出每像素（H×W×K）和一个softplus输出激活，log（1+ exp（x）），以确保积极性。对于给定的道路角度θ，我们计算使用wµ=ekcos（θ−µ）作为每个箱的权重，将估计速度作为方向加权平均值，其中µ是相应箱的角度，k=25是固定的平滑因子。权重被归一化为总和为1。请注意，我们可以使用真实角度（如果已知）或预测角度来预测与角度相关的速度。上下文特征12320对于交通速度估计，我们最小化Charbon-nier损失（也称为伪Huber损失）：√02-021+（a/δ）2−1），（4）其中，y和y是观测值和预测值，分别为y，a=y−y是它们的残差。Charbonnier损失是Huber损失的平滑近似，其中δ控制陡度。此外，我们添加了一个正则化项，Lreg，以减少噪音和鼓励空间平滑。为此，我们使用全变分的各向异性版本，f（x）=（xi+1，j−xi，j）2+（xi，j+1−xi，j）2，在原始输出中对所有像素i，j求区域聚合交通速度的目标标签以路段平均值的形式提供，这意味着我们不能使用传统的每像素损失。天真的方法是假设整个路段的速度是恒定的，这将导致过度平滑和不正确的预测。相反，我们使用区域聚合层的变体[12]，适用于计算段上每像素估计速度的平均值我们优化我们的网络以生成每像素速度，以便段平均值与真实速度相匹配。在实践中，我们预测角度相关的速度，计算方向加权平均值，然后应用区域聚合;最后，计算道路段上的平均损失。4.5. 实现细节我 们 的 方 法 使 用 PyTorch [22] 实 现， 并 使 用RAdam [16]（λ=10−3）和Looka- head [39]（k=5，α=0）进行优化。（五）。我们使用ImageNet上预训练的网络的权重初始化编码器。 为了公平起见，我们在大小为640×640的随机作物上训练了50个时期的批量大小为6的所有网络。我们使用K=16个角仓，设置αr= 10−2，根据经验选择。对于这项工作，我们设置δ=2。我们的网络经过训练以动态的方式;而不是呈现分割对于每个训练图像，我们在训练期间对时间进行采样，并动态渲染速度掩模。另一种方法是预生成超过一百万个分割掩码。此外，我们通过沿路段（沿路段每隔一米，每侧最多两米）采样像素并根据相应的方向向量计算方向，以稀疏方式训练方向和速度估计解码器。对于道路分割，我们缓冲道路几何形状（两米半宽）并且不采样。使用验证集执行模型选择。5. 评价我们使用第3节中描述的数据集训练和评估我们的方法。我们主要评估我们的模型表1：评估多任务学习对交通速度估计的影响。道路方向RMSE MAER2电话：+86-10 - 88888888✗✓10.788.210.452✓✗10.738.190.456✓✓10.668.100.464交通速度估计，但目前的定量和定性结果的道路分割和方向估计。5.1. 消融研究我们进行了广泛的消融研究，以评估我们提出的架构的各种组件的影响对于评估，我们使用保留的测试集，但评估每个图像的单个时间步长（使用固定种子从观察到的交通速度中随机选择在计算指标时，我们使用每小时公里数和沿每个路段的平均预测来表示速度，然后与地面实况进行比较。5.1.1多任务学习的影响在我们的第一个实验中，我们量化了多任务学习对估计交通速度的影响。换句话说，我们评估是否同时执行道路分割和方向估计任务改善了估计交通速度的结果我们将我们的完整方法（第4节）与具有多任务组件子集的变体进行比较。该实验的结果在表1中针对三个度量示出：均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）。正如所观察到的，我们架构的多任务性质提高最终速度预测。添加道路分段和定向估计任务改进了仅估计交通速度的基线的结果，其中最佳性能模型集成了这两个任务。我们的结果与以前的工作[40]一致，该工作表明，当辅助任务与主要任务相关时，多任务学习可能会有所帮助对于消融研究的其余部分，我们只考虑执行所有三项任务的完整架构。5.1.2区域聚集接下来，我们考虑区域聚合如何影响交通速度估计。如第4节所述，交通速度估计任务的目标速度是每个路段的平均值。这里我们比较两种方法12321表2：评估地点和时间背景的影响道路定向速度（F1分数）（准确度）（RMSE）位置时间地点，时间图像0.796 75.05% 11.35图像，锁定0.798 75.63% 10.95图像，时间0.798 76.04% 10.68图像，锁定，时间0.800 76.32% 10.66图6：定性示例显示了区域聚集（顶部）与无聚集（底部）的影响。使用这些标签进行培训：1）在整个路段上自然地复制目标标签，以及2)我们的方法集成了区域聚集层[12]的变体，其使得能够预测每像素速度，使得段平均值匹配该段的地面真实速度标签。为了评估这两种方法，我们沿着每个路段平均预测，并与真实的交通速度标签进行比较。基线方法的RMSE得分为11。10，这比我们的方法更差（RMSE =10。（第66段）。此外，我们在图6中展示了这两种方法的一些定性结果。我们的方法结合了区域聚合（顶部），能够更好地捕捉真实世界的交通速度特性，例如在交叉路口或拐角处减速对于消融研究的其余部分，我们仅考虑使用区域聚合优化和评估的方法5.1.3地点和时间背景的影响最后，我们评估如何整合位置和时间上下文影响我们的交通速度预测。对于这个实验，我们比较了几个基线方法，共享许多低层次的组件与我们提出的架构。我们的完整模型包括所有三个组件图像，位置和时间。对于只有元数据的方法，那些没有图像的方法，我们使用我们提出的架构，但在上下文特征中连接之前省略所有层。该实验的结果示于表2中。位置和时间都改善了交通速度预测。我们的方法，它集成了开销图像，位置和时间，优于所有其他模型。此外，我们展示了道路分割（F1分数）和方向估计（前1精度）的结果。这些任务不依赖于位置和时间，因此它们的性能相当，但我们的方法仍然表现最好。图7：估计行进方向。（左）头顶图像和估计的方向表示为流场。（右）图像中相应点的预测方向分布（上，右）绿点的预测位移正确识别了多个可能的行进方向。这是有意义的，因为图像中的位置是在交叉点处。5.2. 可视化交通流在本节中，我们定性地评估我们提出的方法捕获交通流中的空间和时间模式的能力。首先，我们检查我们的方法是如何能够估计旅行的方向。图7（左）可视化了开销图像的预测每像素方向，覆盖为矢量场（按预测角度着色）。如所观察到的，我们的方法能够捕获主要行进方向，包括单向和双向道路的差异。另外，图7（右）示出了径向直方图，该径向直方图表示顶置图像中的对应颜色编码点的在取向上的预测分布例如，绿点（顶部，右侧）的预测分布（表示图像中的交叉点）正确识别了几个可能的行驶方向或者，黄点的预测分布更均匀，这是有意义的，因为该位置不是道路。接下来，我们将研究我们的模型如何捕捉交通流量的时间趋势。图9显示了12322(a)曼哈顿（b）布鲁克林图8：使用我们的方法获得的等时线图。等值线表示从市中心开始前往自治市镇内所有位置所需的时间。对于每个区的地图对应于（左）周一上午4点和（右）周一上午8点正如预期的那样，早上8点的出行限制更大，可能对应于高峰时段的交通。用红色表示的住宅区路段的文字。图9（右）示出了该分段的预测速度与一周中的一天的关系，其中每天表示24小时。如所观察到的，预测的速度捕获每日和整个星期的时间趋势。最后，图1显示了纽约市布朗克斯区周一上午4点（左）与周一上午8点（右）的预测交通速度。正如预期的那样，有一个很大的减速可能对应于高峰时间。这些结果表明，我们的模型在空间和时间上都捕捉到了有意义的模式。5.3. 应用程序：生成旅行时间地图我们的方法可以用来生成一个城市规模的为了证明这一点，我们在不同的时间生成旅行时间图。我们使用OSMnx [6]，一个来自OpenStreetMap的用于建模街道网络的库，将纽约市的底层街道网络拓扑我们的方法如下。对于我们数据集中的每个图像，我们估计给定时间的交通速度。然后，我们更新图的边权重（对应于每个路段），以使用每个路段的长度（以米为单位）和我们的交通速度预测来表示旅行时间。对于数据集中没有表示的任何路段，我们使用该时间的平均预测交通速度。图8显示了几个结果，可视化为等时线图，描绘了相等旅行时间的区域。6. 结论了解交通流量是重要的，并有许多潜在的影响。我们发明了一种方法-图9：可视化预测的速度如何捕捉每日和每周的趋势。使用俯视图像动态地模拟交通流。虽然我们的方法包含时间，但不需要每个时间戳都有唯一的开销图像。我们的模型以位置和时间元数据为条件，可用于呈现动态城市规模的交通地图。为了支持我们的努力，我们引入了一个新的数据集来进行细粒度的道路理解。我们希望这个数据集能够激发图像驱动交通建模领域的进一步工作通过同时优化道路分割，方向估计和交通速度预测，我们的方法可以应用于理解新领域的交通流模式我们的方法的潜在应用包括协助城市规划者，增强路由引擎，并提供如何遍历环境的一般理解。鸣谢我们衷心感谢NSF CAREER资助IIS-1553116的财务支持。12323引用[1] 数 据 来 自 Uber Movement ， （ c ） 2020 年 UberTechnologies，Inc.。https://movement.uber.com网站。 一、二、三[2] 优步运动：速度计算方法。技术报告，优步技术公司，2019. 3[3] Afshin Abadi，Tooraj Rajabioun和Petros A Ioannou。有限 交 通 数 据 下 道 路 交 通 网 络 的 交 通 流 预 测 IEEETransactions on Intelligent Trans- portation Systems，16（2）：653-662，2014. 3[4] Adrian Albert，Jasleen Kaur，and Marta C Gonzalez.使用卷积网络和卫星图像来识别大规模城市环境中的模式。2017年ACM SIGKDD知识发现和数据挖掘国际会议。3[5] Anil Batra，Suriya Singh，Guan Pang，Saikat Basu，CVJawa- har，and Manohar Paluri.通过方向和分割的联合学习 改 进 道 路 连 通 性 在 IEEE Confer-ence on ComputerVision and Pattern Recognition，2019。3[6] 杰夫·波音OSMnx：获取、构建、分析和可视化复杂街道网络的新方法。计算机，环境和城市系统，65：126-139，2017。8[7] Abhishek Chaurasia和Eugenio Culurciello。LinkNet：Ex-ploiting encoder representations for efficient semantic segg-mentation. 在IEEE视觉通信和图像处理，2017年。4[8] Abhimanyu Dubey，Nikhil Naik，Devi Parikh，RameshRaska r，andCe'sarAHidalgo. 深度学习城市：在全球范围内量化城市感知。在欧洲计算机视觉会议上，2016年。3[9] 亚当·范·埃滕从卫星图像中提取城市规模道路v2：道路速度和行驶时间。在2020年IEEE计算机视觉应用冬季会议上。3[10] Kaiming He，Xiangyu Zhang，Shaoying Ren，and JianSun.用于图像识别的深度残差学习。在IEEE计算机视觉和模式识别会议上，2016年。4[11] Shuai Hua，Manika Kapoor，and David C Anastasiu.从交通视频中进行车辆跟踪和速度估计。2018年CVPR人工智能城市挑战研讨会。3[12] Nathan Jacobs，Adam Kraft，Muhammad Usman Rafique和Ranti Dev Sharma。 弱监督方法 用于从高分辨率卫星图像估计空间密度函数。ACM SIGSPATIAL国际会议在地理信息系统的进展，2018年。六、七[13] Daniel Krajzewicz，Jakob Erdmann，Michael Behrisch，and Laura Bieker.城市交通相扑模拟的最新发展与应用InternationalJournalOnAdvancesinSystemsandMeasurements，5（3 4），2012。2[14] 斯特凡·克劳奇。交通流微观建模：无碰撞车辆动力学研究。博士论文，科隆大学，1998年。2[15] 约翰·M·利维。当代城市规划。泰勒·弗朗西斯，2016年。2[16] Liyuan Liu ， Haoming Jiang ， Pengcheng He ， WeizhuChen，Xiaodong Liu，Jianfeng Gao，and Jiawei Han.关于自适应学习率的变化和超越。在2020年国际学习表征会议上。6[17] Gel le'rtM a' ttyus，WenjieLuo，andRaquelUrtasun. 从航空图像中提取道路拓扑结构. IEEEInternational Conferenceon Computer Vision，2017。3[18] 吉尔·L·E·M·A·蒂尤斯、神龙·王、桑加·菲德尔和拉奎尔·乌尔塔松。高清地图：通过解析地面和航空图像进行细粒度道路分割IEEE计算机视觉与模式识别会议，2016年。3[19] Michael D Meyer和Eric J Miller。城市交通规划：以决策为导向的方法。McGraw-Hill，1984年。2[20] Volodymyr Mnih和Geoffrey E Hinton.学习在高分辨率航空图像中检测道路。欧洲计算机视觉会议，2010年。3[21] Illah Nourbakhsh ， Randy Sargent ， Anne Wright ，Kathryn Cramer，Brian McClendon，and Michael Jones.绘制灾区地图。Nature，439（7078）：787，2006. 3[22] Adam Paszke ， Sam Gross ， Francisco Massa ， AdamLerer ， James Bradbury ， Gregory Chanan ， TrevorKilleen ， Zeming Lin ， Natalia Gimelshein ， LucaAntiga，et al. PyTorch：命令式的高性能深度学习库。在神经信息处理系统的进展，2019。6[23] 卡莱布·罗宾逊、勒·侯、科里亚·马尔金、雷切尔·苏比特斯基、雅各布·恰乌利特科、比斯特拉·迪尔基纳和内博伊沙·约伊奇。利用多分辨率数据进行大比例尺高分辨率土地覆盖制图。在IEEE计算机视觉和模式识别会议，2019。3[24] Brian E Saelens，James F Sallis，and Lawrence D Frank.步行和骑自行车的环境相关因素：交通、城市设计和规划 文 献 的 发 现 。 Annals of Behavioral Medicine ， 25（2）：80-91，2003. 2[25] 陶菲克·塞勒姆斯科特·沃克曼内森·雅各布斯学习视觉外观的动态图在IEEE计算机视觉和模式识别会议上，2020。3[26] 大卫·施兰克，比尔·卡勒，蒂姆·洛马克斯。2019年城市交通报告技术报告，德克萨斯州A M运输研究所，2019年。1[27] Stephen F Smith，Gregory Barlow，Xiao-Feng Xie，andZachary B Rubinstein. SURTRAC：可扩展的城市交通控制。交通研究委员会年会，2013年。1[28] Robert Soden和Leysia Palen。从众包地图到社区地图：OpenStreetMap海地地震后的工作。在2014年的合作系统设计国际会议上。3[29] Weilian Song，Tawfiq Salem，Hunter Blanton和NathanJacobs。自由流速度的远程估计。IEEE国际地球科学与遥感研讨会，2019年。3[30] 宋伟廉、斯科特·沃克曼、阿明·哈季奇、张旭、埃里克·格林、陈梅、雷金纳德·苏雷雷特和内森·贾-科布斯。FARSA：全自动道路安全评估。12324在2018年IEEE计算机视觉应用冬季会议上3[31] Michael J Sprung，Sonya Smith-Pickel，等. 交通统计年报。技术报告，运输统计局，2018年。1[32] Tao Sun ， Zonglin Di ， Pengyu Che ， Chun Liu 和 YinWang。利用众包GPS数据从航空图像中提取道路在IEEE计算机视觉和模式识别会议，2019。3[33] Tim Triplett ， Rob Santos ， Sandra Rosenbloom ， andBrian Tefft.美国驾驶调查：2014-2015.技术报告，美国汽车协会，2016年。1[34] 王栋、张俊波、曹伟、李健、于正。你什么时候到？基于深度神经网络的行程时间估计。在AAAI人工智能会议上，2018。3[35] 斯科特·沃克曼，理查德·苏文尼尔，内森·雅各布斯。利用 航 空 参 考 图 像 进 行 广 域 图 像 地 理 定 位 。IEEEInternational Conference on Computer Vision，2015年。3[36] 斯科特·沃克曼，理查德·苏文尼尔，内森·雅各布斯。理解和绘制自然美。在2017年IEEE国际计算机视觉会议上。3[37] 作者：张晓波，张晓波.克兰德尔和内森·雅各布斯近距离 和 远 距 离 传 感 的 统 一 模 型 。 IEEEInternationalConference on Computer Vision，2017。3[38] 张俊波，于正，齐德康。城市人群流量预测的深时空残差网络 2017年AAAI人工智能会议。3[39] Michael R Zhang，James Lucas，Geoffrey Hinton，andJimmy Ba.前瞻优化器：前进k步，后退1步。在神经信息处理系统的进展，2019。6[40] Zhanpeng Zhang ， Ping Luo ， Chen Change Loy ， andXiaoou Tang. 基于深度多任务学习的人脸标志点检测2014年欧洲计算机视觉会议6[41] Bolei Zhou ， Agata Lapedriza ， Aditya Khosla ， AudeOliva，and Antonio Torralba.地点：一个用于场景识别的 1000 万 图 像 数 据 库 。 IEEE Transactions on PatternAnalysis and Machine Intelligence ， 40 （ 6 ） ： 1452-1464，2017。3[42] 周立辰，张闯，吴明。D-LinkNet：LinkNet具有预训练的编码器和扩张卷积，用于高分辨率卫星图像道路提取。在2018年DeepGlobe上的CVPR研讨会上。5