机构名称：
¥ 1.0
尽管生成的AI在许多领域都取得了成功，但对地理空间数据进行建模仍然没有驱动。Urban Flow是一种典型的地理空间数据，对于从公共安全和交通管理到城市规划的广泛应用至关重要。现有的研究主要集中于城市流量的预测建模，该模型基于历史流数据来预测未来流量，这可能在数据范围内或新计划的地区无法使用。其他一些研究旨在预测区域之间的OD流量，但它们无法模拟城市流动的动态变化。在这项工作中，我们研究了一个新的城市流量产生问题，该问题为没有历史流数据的地区产生动态的城市流动。为了捕获多种因素对城市流量的影响，例如地区特征和城市环境，我们采用扩散模型来为不同条件下的地区生成城市流量。我们首先构建了一个城市知识图（UKG），以建模城市环境和区域之间的关系，基于我们设计一个知识增强的时空分化模型（KSTDIFF），以生成每个地区的城市流量。具体来说，要准确地为具有不同流量的区域生成城市流量，我们设计了一个由体积估计器引导的新型扩散过程，该过程是可学习的，并且针对每个区域进行了自定义。此外，我们提出了一个知识增强的denoising网络，以捕获城市流量的时空依赖性以及城市环境在deNoising过程中的影响。我们的代码在四个现实世界数据集上进行了广泛的实验，这是我们模型比城市流量产生的最先进基线的优越性。进一步的深入研究证明了产生的城市流量数据的实用性以及我们模型对长期流量产生和城市流动预测的能力。
通过知识增强的denoising扩散迈向城市流量的生成建模
主要关键词
相关文件推荐
