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)
這篇論文采用的是端到端的深度學(xué)習(xí)框架，以粗粒度的城市流量地圖和天氣、日期時間等其他影響因素作為輸入，最后得到細(xì)粒度的城市流量地圖。
image.png
| 任務(wù) | 數(shù)據(jù)集 | 方法 | 評價指標(biāo) | 應(yīng)用 |
|---|---|---|---|---|
| Fine-grained Urban Flow Inference(FUFI) | TaxiBJ；HappyValley | deep neural network-based method(UrbanFM) | Root Mean Square Error(RMSE)；Mean Absolute Error(MAE)； Mean Absolute Percentage Error(MAPE) | No |
總的來說，該文章的創(chuàng)新點(diǎn)在于：
1.將外部影響因素歸類于分類和連續(xù)
2.以圖像的方式來進(jìn)行端到端的粗粒度流圖轉(zhuǎn)換到細(xì)粒度的流圖
不足之處在于：
1.深度網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜
2.沒有同以往的人群流量預(yù)測的文章進(jìn)行直接對比
