STrans-GAN: Spatially-Transferable Generative Adversarial Networks for Urban Traffic Estimation
条件交通量估计是城市规划编制中的一个重要问题,有助于评价城市建设规划,提高交通效率。传统的条件流量估计方法通常采用有监督的方法,需要大量带标签的训练数据。然而,在许多城市规划应用中,新城市的大量交通数据很难或无法获取。为解决数据稀缺情况下的条件流量估计问题,本文将该问题表述为空间迁移生成学习问题。与之前仅考虑单个源城市的空间迁移学习框架相比,本文提出从多个源城市提取知识以提高估计精度和迁移稳定性,这在技术上是一项更具挑战性的任务。作为一种解决方案,本文提出了一种新的跨城市条件交通估计方法——空间可转移生成对抗网络(STrans-GAN),具有新的预训练和微调算法。STransGAN通过交通聚类保留了来自多个源城市的不同交通模式,并将元学习思想融入预训练过程中以学习具有良好泛化能力的模型。在微调过程中,我们建议增加一个簇匹配正则项,以实现不同场景下的灵活适应。通过在多城市数据集上的大量实验,证明了STrans-GAN的有效性。