Jun, 2024

多尺度表示学习的细粒度城市流量推断

PDF
TL;DR通过自我监督对比学习，UrbanMSR 模型利用多尺度表示的邻近层级和城市层级地理信息，融合多尺度表示以提高细粒度准确性，从而有效地学习跨时空的多尺度信息，并在三个真实数据集上进行了广泛实验证实了该模型的优越性。
fine-grained urban flow inferencemulti-scale representationsself-supervised contrastive learningtraffic efficiencycity-level geographic information
发现论文，激发创造
  • 城市细粒度流量推断

    本文提出了一种城市流量监测的方法，通过粗块观测来推断城市的实时和精细化的人流，使用 UrbanFM 模型实现精细流的分布。UrbanPy 模型的逐步推理功能可优化 UrbanFM 的效率和性能。

    Feb, 2020

  • UrbanFM: 推断细粒度城市流动

    本文提出了一种基于深度神经网络的 UrbanFM 方法，通过粗粒度的输入生成细粒度的人流分布，进而实时推断城市内的人流情况。在实验中，与七个基线方法相比，UrbanFM 方法在真实数据集上表现出了最先进的状态，在推断细粒度城市流问题上表现得非常有效和高效。

    Feb, 2019

  • 基于双级流的可追溯城市规划生成建模

    智能化城市规划中的关键因素：自动化规划技术的双阶段城市流框架，通过信息融合模块将功能区之间的关系融合，以生成基于给定背景和人类指导的功能区，并进一步融合不同方面的信息，得到相应的土地利用配置。

    Oct, 2023

  • FUSU：一份细粒度城市语义理解的多时序土地利用变化分割数据集

    利用多时相遥感图像进行精细城市变化分割对于理解人地互动非常重要。我们介绍了 FUSU，这是一个多源、多时序变化分割数据集，用于精细级城市语义理解。FUSU 拥有迄今为止最详细的土地利用分类系统，具有 17 类和 300 亿像素的注释。通过提供像素级细化注释和高空间 - 时间分辨率数据，FUSU 为深度学习模型理解城市化和土地利用变化提供了坚实的基础。我们提出了一个统一的时序架构来检测和分割变化，并在多项任务上对 FUSU 进行了基准测试。数据集和代码将在此 URL 上提供。

    May, 2024

  • FDTI：基于路网增强的图网络的细粒度深度交通推断

    本文提出了 Fine-grained Deep Traffic Inference (FDTI) 模型，通过构建交通信号为基础的细粒度交通图、物理可解释动态移动卷积模块和交通流守恒，以预测城市细粒度交通流量，并在实验中证明了该模型优于现有方法。

    Jun, 2023

  • MSFlow: 无监督异常检测的多尺度流式框架

    无监督异常检测中，使用没有任何异常信息的仅限正常样本进行训练的流模型，能够有效地区分可预测和不可预测的异常数据，而针对不同大小变化的异常数据，我们提出了一种名为 MSFlow 的新型多尺度流模型框架，能够在图像级别和像素级别进行异常检测和定位，经验证在三个异常检测数据集上明显优于现有方法，并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。

    Aug, 2023

  • 跨城市联邦迁移学习框架：以城市区域描述为例的案例研究

    提出一种新的跨城联邦迁移学习框架 (CcFTL) 来解决数据不足和隐私问题，将多个数据丰富的城市的关系知识传递到目标城市，并针对目标任务在源数据上训练模型参数，然后进行参数传递，通过联邦训练和同态加密设置，CcFTL 能够有效地处理城市之间的数据隐私问题，并将该方法应用于智慧城市的城市区域配置，实验结果表明，CcFTL 方法优于多种最先进的竞争方法。

    May, 2022

  • 基于知识增强去噪扩散的城市流动生成建模

    通过扩散模型生成没有历史流量数据的区域的动态城市流量，使用城市知识图和增强的扩散模型进行建模，并且通过实验证明其优越性和适用性。

    Sep, 2023

  • FedRSU: 基于路边单位的场景流估计的联合学习

    FedRSU 是一种创新的联邦学习框架，用于自监督场景流估计，它能够整合大量的 Roadside unit 数据，并在 ITS 中显著提高模型性能和联邦学习场景下的综合基准。

    Jan, 2024

  • 城市区域嵌入的多图融合网络

    本文提出了一种名为多图融合网络（MGFN）的模型，通过人类移动数据的地理位置相似性融合模块，将人类移动数据的多种模式嵌入到该模型中，这有助于进行交叉领域的预测任务，如犯罪预测，并在实际城市数据集上进行了广泛的实验，结果表明，MGFN 模型优于现有技术方法，最大提高了 12.35％。

    Jan, 2022