摘要

城市流量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，广泛部署监测设备（如闭路电视摄像头）会导致维护和运营的长期巨大成本。这表明需要一种技术，在减少部署设备数量的同时，防止数据准确性和粒度的下降。本文旨在基于粗粒度观测推断城市范围内的实时细粒度人群流动情况。这一任务具有挑战性，原因有二：粗粒度与细粒度城市流量之间的空间相关性，以及外部影响的复杂性。为了解决这些问题，我们开发了一种基于深度神经网络的方法，称为UrbanFM。我们的模型由两大部分组成：1）一个推理网络，通过特征提取模块和新颖的分布上采样模块从粗粒度输入生成细粒度流量分布；2）一个通用融合子网，通过考虑不同外部因素的影响进一步提升性能。我们在两个真实世界的数据集（即TaxiBJ和HappyValley）上进行了广泛的实验，验证了我们的方法相对于七种基线方法的有效性和效率，展示了我们在细粒度城市流量推断问题上的最先进性能。