【WWW2021】细粒度城市流量预测

城市流量预测从许多方面使得智慧城市的建设受益，例如交通管理和风险评估。但是关键先决条件是对城市的细粒度动态有足够的掌握。因此，与之前的工作仅限于粗粒度数据不同，这篇论文中将城市流量预测的范围扩展到细粒度，这带来了一些具体挑战：1）在细粒度数据中观察到的网格间的转移动态使预测变得更加复杂，需要在全局范围内捕获网格单元之间的空间依赖性；2）单独学习外部因素（例如天气）对大量网格单元的影响是非常具有挑战性的。为了解决这两个挑战，本文中提出了时空关系网（STRN）来预测细粒度的城市流量。首先，骨干网用于学习每个网格单元的高级表示，第二，文中还提出了一个全局关系模块（GloNet），与现有方法相比，该模块可以更有效地捕获全局空间依赖性。第三，模型中设计了一个元学习器，它将外部因素和土地功能（例如POI密度）作为输入以产生元知识并提高模型性能。论文提出的模型在两个现实世界的数据集进行了充足的实验。结果表明，与最新方法相比，STRN减少了7.1％到11.5％的误差，而使用了更少的参数。