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。

 A Knowledge-Enhanced Framework for Imitative Transportation Trajectory Generation

设计高效的交通轨迹建模和分析工具，有助于提升各种智慧城市服务，如位置预测、业务推荐和交通预测。然而，在历史出行数据有限的情况下，传统工具在表示交通轨迹中复杂的上下文和时空关系方面面临挑战，而此类轨迹具有强大的功能性、地理和时间特性。为此，提出一种多源城市知识增强的模拟交通轨迹生成框架。首先，构建了Know-ST，一个城市知识融合框架，通过定制的城市知识图谱表示学习来捕获跨领域知识(如道路网络、兴趣点等)。Know-ST保留了轨迹的时间特性，并能不断适应新到达的轨迹。将轨迹生成问题表述为一个连续的模仿学习过程，其中配备了一个对抗性训练的生成器网络，可以自主地捕获单个交通轨迹中的时空和上下文信息。在真实数据集上的广泛实验表明，Know-ST在各种基准下的性能优于多个基线，表明了所提出框架的有效性。

 Higher-Order Masked Graph Neural Networks for Traffic Flow Prediction

时空预测一直是各个领域的研究热点，交通流预测就是其中一个典型的例子。现有方法通常通过图神经网络(GNNs)和时间神经网络(TNNs)分别处理交通流中复杂的空间和时间依赖关系。然而，这些工作仍存在不足，原因如下:1)深度gnn存在过平滑问题，阻碍了高阶空间相关性的处理;2) tnn难以提取具有不同位置的时间依赖关系。为此，文中提出了高阶掩码图神经网络(HOMGNNs)对交通流量数据进行建模和预测。具体而言，设计了空间图学习层来自适应地刻画不同阶数的依赖关系，并进一步提出了高阶图神经网络(high -order GNN, HOGNN)来处理这些依赖关系。其次，定义并构建了时序图来表示交通数据中的时序动态性;进一步提出掩码GNN (MGNN)来基于时序图提取这些动态。为了验证所提出的HOMGNNs的优越性，在metra - la和PEMS-BAY数据集上进行了广泛的实验。实验结果表明，与11种最新的基准方法相比，该方法具有较好的性能。 

Multi-Graph Convolutional Recurrent Network for Fine-Grained Lane-Level Traffic Flow Imputation

交通流估算提供了更完整的交通流视图，是构建智能交通系统的一个基本功能。交通流估算的性能对交通流预测和控制等下游应用有着重要影响。因此，文中提出了一种支持细粒度车道级交通流填补的多图卷积循环网络(Multi-grAph Convolutional Recurrent netwOrk, MACRO)框架，可以帮助在车道级重建更完整的交通流。具体而言，首先设计了一个空间依赖模块来建模交通流内部的各种空间相关性，其中首先构建了多关系图来从多个角度考虑相关性，然后提出了一个多图卷积神经网络来捕获交通流的综合空间依赖并充分传播观测到的交通值，以缓解空间域数据稀疏问题。同时，为了解决时间连续数据缺失问题，采用改进的双向循环神经网络同时考虑历史和未来信息来捕获交通流的时间依赖关系，并采用时间衰减机制来控制相邻时间片之间信息的不规则传递。此外，设计了时空知识集成模块，全面集成多分辨率时空知识进行交通流填补。最后，在真实数据集上的大量实验表明，MACRO在交通流估算方面的性能优于现有的几种主流方法。 

 Exploiting Hierarchical Correlations for Cross-City Cross-Mode Traffic Flow Prediction

作为一种解决数据稀缺和分布失配问题的有效学习范式，跨域预测旨在利用源域的可迁移知识来解决目标域的学习问题。事实上，由于不同数据源的异构性和城市间发展的不平衡性，许多城市计算任务，如跨城市/模式的交通流预测，都面临着严重的数据稀缺问题。为此，文中提出了一种跨域学习框架CCMHC，利用域之间的层次相关性进行跨城市跨模式交通流预测。首先，通过探索区域功能和路网的相似性度量城市间交通流的相关性;在这一步中，我们过滤掉了从源城市到目标城市迁移能力较低的区域。然后，计算不同模式下交通流的时间相关性，以动态方式选择与目标区域高度相关的源区域;此外，通过将源城市的共享知识迁移到目标城市，设计了一种跨域城市流量预测方法。最后，在真实数据上的实验结果验证了CCMHC相对于当前主流迁移学习方法的优越性。此外，还验证了CCMHC框架在不同神经网络模型上的泛化能力