时空数据挖掘（ICDM2023）

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。