推断细粒度的城市流量

Liang, Yuxuan, Kun Ouyang, Lin Jing, Sijie Ruan, Ye Liu, Junbo Zhang, David S. Rosenblum, and Yu Zheng. "UrbanFM: Inferring Fine-Grained Urban Flows." arXiv preprint arXiv:1902.05377 (2019).

Code:  https://github.com/yoshall/UrbanFM (pytorch)

 

这篇论文采用的是端到端的深度学习框架，以粗粒度的城市流量地图和天气、日期时间等其他影响因素作为输入，最后得到细粒度的城市流量地图。

 

任务	数据集	方法	评价指标	应用
Fine-grained Urban Flow Inference(FUFI)	(1)TaxiBJ (2)HappyValley	deep neural network-based method(UrbanFM)	(1)Root Mean Square Error(RMSE) (2)Mean Absolute Error(MAE) (3)Mean Absolute Percentage Error(MAPE)	No

 

总的来说，该文章的创新点在于：

1.将外部影响因素归类于分类和连续 

2.以图像的方式来进行端到端的粗粒度流图转换到细粒度的流图

不足之处在于：

1.深度网络结构过于复杂 

2.没有同以往的人群流量预测的文章进行直接对比 

3.没有实际应用