利用图先验增强的欧几里得卷积网络预测城市范围内的人员流动情况
《Sustainable Cities and Society》:Predicting citywide human mobility with a graph-prior-enhanced euclidean convolutional network
【字体:
大
中
小
】
时间:2026年07月26日
来源:Sustainable Cities and Society 13.3
编辑推荐:
摘要:在城市尺度上实现精细的人类流动预测对于城市交通管理及可持续发展至关重要。然而,现有模型在城市尺度的精细场景中难以在预测精度与计算效率之间取得平衡:基于欧几里得结构的模型精度有限,而基于非欧几里得结构的模型则存在过高的计算成本。为解决这一难题,我们提出了一种图先验增强型欧几里
摘要:在城市尺度上实现精细的人类流动预测对于城市交通管理及可持续发展至关重要。然而,现有模型在城市尺度的精细场景中难以在预测精度与计算效率之间取得平衡:基于欧几里得结构的模型精度有限,而基于非欧几里得结构的模型则存在过高的计算成本。为解决这一难题,我们提出了一种图先验增强型欧几里得卷积网络(GPECN),以实现高效且精确的城区流动预测。首先,受结构相似性启发,我们基于瓦塞尔斯坦距离构建虚拟图,以捕捉不同出行对之间的不规则且异质的空间关系。其次,我们将图先验嵌入欧几里得网格中,形成一种兼具图模型精度优势与网格模型计算效率的图先验增强结构。最后,我们将图先验明确纳入传统卷积神经网络的前向传播过程,从而在较低的计算负载下有效模拟城市尺度的图特征聚合。通过使用中国厦门和福州的真实出行流数据,我们证明了所提模型在城市尺度上的有效性。实验结果表明,与五种基准模型相比,所提出的GPECN模型的预测精度可与图模型相媲美,同时显著提升了计算效率。
引言:随着物联网的快速发展以及移动设备的广泛普及,各类传感器和移动终端产生了海量的人类流动数据,为人类流动预测提供了新的数据来源(Luca等人,2023;Lun等人,2025;Wang等人,2020;Zhou等人,2022)。利用这类城市尺度的流动数据不仅能为城市规划提供科学依据,还能帮助交通管理部门制定更为合理的交通管控政策。此外,它还有助于提升居民生活品质,加速智慧城市建设,为实现可持续城市生态系统这一长远目标做出贡献(Chen等人,2016;Gao等人,2023;Tian等人,2023;Wang等人,2021)。
目前,人类流动预测方法大致可分为两类:一类是基于区域内的总流入/流出量进行预测,另一类则是基于空间互动强度进行预测(Zheng等人,2023)。前者用于量化研究单元内的总人口流入或流出量,这类数据可用于揭示当地的人口动态变化(Zhao等人,2022);后者则侧重于不同单元之间的流动偏好与流量差异,这类数据可用于衡量空间互动关系(Ahmed等人,2024;Zhao等人,2025;Zheng等人,2023)。随着多源时空大数据的不断积累,再加上深度学习模型在捕捉非线性时空依赖关系方面的强大能力,基于空间互动强度的精细预测逐渐成为人类流动研究的主流方向(Liu等人,2022;Sun等人,2025;Zou等人,2021)。然而,在大规模城市区域内,互动预测仍面临诸多挑战,包括高度复杂的非线性时空依赖关系,以及难以捕捉精细的互动模式。这些挑战凸显出亟需开发更为精确、精细且具有高计算效率的空间互动预测方法。
从本质上讲,基于空间互动强度的人类流动预测可被视为一种时空OD矩阵预测问题(Cai等人,2022)。由于OD矩阵具有固有的欧几里得结构,二维或三维卷积神经网络已被广泛用于建模和提取空间互动模式,这类网络得益于其结构规律性及较高的计算效率(Tang等人,2021;Zargari等人,2021)。然而,当将其应用于具有精细划分的城市尺度研究区域时,OD矩阵的维度会迅速增加,从而导致数据稀疏性问题愈发严重。此外,传统欧几里得卷积所采用的固定空间邻域假设,使得难以有效捕捉不同出行对之间的不规则且异质的关系(见图1),进而导致基于2D/3D CNN的方法性能不佳(Chen等人,2025;Kai-Fung Chu等人,2020;Lee & Rhee,2022)。为克服这些限制,一些研究将出行对视为图节点,通过图邻接矩阵来重构它们的空间关系。与传统的欧几里得CNN相比,为非欧几里得结构设计的图神经网络在预测精度方面取得了显著提升(Cai等人,2022;Chen等人,2024、2025)。然而,当大规模城市区域被划分为更小的单元时,出行对的数量会呈指数级增长,从而导致图规模变得极为庞大,给计算效率带来严重挑战。综合来看,这些限制表明,如何在大型城市区域内高效且精确地推断人类流动,尤其是复杂的空间互动关系,仍是一项极具挑战性却又至关重要的研究任务。
幸运的是,欧几里得结构的高计算效率,再加上通过图邻接矩阵对空间关系的显式表示,为解决上述挑战提供了一条潜在途径(Cai等人,2022;Wang等人,2025a;Yin等人,2023)。通过设计一种融合策略,将欧几里得结构与图邻接关系相结合,便能在大规模城市场景中实现模型精度与计算效率之间的有效平衡。基于这一思路,本研究提出了一种图先验增强型欧几里得卷积网络(GPECN),用于城市区域的精细人类流动预测,尤其侧重于空间互动强度的预测。具体而言,本项工作的主要贡献如下:
(1)受结构相似性启发,我们以数据驱动的方式在出行对之间构建虚拟图,并将其嵌入欧几里得空间中,从而形成一种具有隐含图先验的欧几里得数据结构。通过结合图先验与欧几里得表示法的优势,该设计为在城市尺度上实现高效且精确的精细人类流动预测奠定了基础。
(2)我们将图先验知识明确纳入欧几里得数据结构中,并利用它来指导传统卷积神经网络的前向传播。这种设计不仅使传统卷积网络能够有效逼近图神经网络,还成功整合了这两种范式的优势——图神经网络的高预测精度与卷积神经网络的高计算效率。
(3)以厦门和福州的出行流数据作为案例研究,我们从实证角度验证了所提出的GPECN模型在城市尺度上进行精细人类流动预测的有效性。实验结果表明,GPECN的预测精度可与最先进的基于图的模型相媲美甚至更高,同时其计算效率也与传统卷积网络相近。
相关研究:鉴于本研究的研究重点,本小节主要回顾基于空间互动强度的人类流动预测,即时空OD矩阵预测。这一研究方向可大致分为基于欧几里得结构的方法和基于非欧几里得结构的方法两类。
相关定义与整体流程:
定义1(出行对):我们将城市区域划分为多个研究单元,每个出行对代表各个研究单元之间的空间互动(即出行强度)。所有研究单元之间的空间互动被记录为X∈RN×T,其中xit∈R1×1表示第t个时间窗口中第i个出行对的空间互动强度,N表示出行对的数量,T表示时间窗口的数量。
定义2(虚拟图结构):我们基于数据源和数据预处理步骤,构建了一个虚拟图结构G=。
数据来源与数据预处理:在本研究中,我们使用了厦门和福州的出行流数据来验证GPECN模型的预测精度。如图8所示,该数据集涵盖了厦门的712个村级行政单位以及福州的3164个村级行政单位,数据时间范围为2023年4月1日至6月30日(共计91天),采样间隔为15分钟(每天96个时间步)。厦门的数据集包含506,944对出行对,记录了总计52,663,430次出行;而福州的数据集则包含……
讨论:在城市尺度及精细分辨率的场景下,准确且高效地预测人类流动对于城市交通管理及可持续发展而言至关重要。目前现有的两种类型模型在这一场景中都面临一定挑战:
(1)基于欧几里得结构的模型虽然计算效率高,但由于城市研究区域内的OD矩阵存在严重的稀疏性问题,导致预测精度下降;
(2)基于非欧几里得结构的模型虽然……
结论:本研究提出了GPECN模型,该模型可用于城市尺度的精细人类流动预测。该模型基于流量之间的结构相似性构建图结构,并将其嵌入欧几里得网格中以提高预测精度。此外,它还利用欧几里得结构中的图先验知识来指导网格卷积的前向传播,从而实现网格卷积向图卷积的有效转换,使得该模型能够……
资金支持:本项目得到了中国国家重点研发计划[项目编号2024YFC3307604]、国家自然科学基金[项目编号42401524、42571546和72401106]以及LREIS创新项目[项目编号YKPI505]的支持。
作者贡献声明:Sheng Wu:撰写——初稿、方法论、数据整理、概念构思。Linbaizhi Wang:撰写——初稿、方法论、形式分析、数据整理、概念构思。Peixiao Wang:撰写——审阅与编辑、撰写——初稿、可视化、监督、项目管理、方法论、概念构思。Hengcai Zhang:撰写——审阅与编辑、撰写——初稿、方法论、概念构思。Shifen Cheng:撰写——审阅与编辑、撰写——……
利益冲突声明:作者们声明不存在任何利益冲突。
Sheng Wu|Linbaizhi Wang|Peixiao Wang|Hengcai Zhang|Shifen Cheng|Xin Fu|Junhao Guo|Feng Lu
中国福建数字中国研究院、福州大学,福州
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号