2025-A universal geography neural network for mobility flow prediction in planning scenarios


没有这座城市的历史人流,只靠地理信息,能生成早高峰的格子流量吗?

论文名片|Jifu Guo、Shengguang Bai、Xun Li、Kai Xian、Erjian Liu、Wenting Ding、Xizhi Ma,A universal geography neural network for mobility flow prediction in planning scenarios,Computer-Aided Civil and Infrastructure Engineering,2025,40(29):5769–5789。DOI:10.1111/mice.13398。正文依据这一正式版本;收稿日期 2024 年 6 月 8 日,接收日期 2024 年 12 月 5 日。

规划一张新区时,手里往往先有人口和用地草图,没有去年的起讫流量。多数流量模型要先看见历史人流,再外推下一天;就算改成引力模型,也常常要先拿到每个地方的总流出,再把这些人分到各个目的地。新区恰恰两样都缺。

这项研究训练一个通用地理神经网络(universal geography neural network,UGNN):用其他城市的地理信息和已经发生的人流,学习任意两个 1 公里格子之间、某个小时有多少出行。在 10 座没有参加训练的城市里,它在 7–8 时的格子流量上好于四个对照。这些对照城市是 2019 年已经存在的中国城市,地理、人口和兴趣点都来自真实建成环境。模型复现的是扩样之后的电信出行,还不是一张没有兴趣点的新城蓝图会如何改变人流。

先说结论

  • 训练用 26 座城市、测试用 10 座城市,比较的都是 2019 年工作日 7:00–8:00 的跨格子流量。UGNN 在 10 座城市的平均绝对误差都低于该城市其余四个模型中的最低值。相对这个最低基线,降幅从无锡的 (1.17−0.95)/1.17 ≈ 18.8% 到天津的 (0.92−0.60)/0.92 ≈ 34.8%。分母是该城市最好对照的平均绝对误差,不是全天总出行。
  • 同样这 10 座城市,UGNN 的流量重叠比例 CPC 为 0.53–0.67。上海是 0.55,Deep Gravity 是 0.31,引力模型是 0.09。引力模型在表 5 的皮尔逊相关系数一列记为 0.00,精度写到 0.01。
  • 7 时的出行距离分布上,UGNN 更贴近真实曲线的近距离高峰和随后的下降。引力模型与 Deep Gravity 的地图更暗,作者认为它们把大流量起讫对生成少了。
  • 上海全天 24 小时里,生成流量和真实流量都在早、晚高峰抬高小时份额。500 米、1 公里、2 公里三档格子上,沪、深、杭的 CPC 仍在同一量级,但并不是格子越大每一项指标都更好。
  • 对上海中心一处居住区的 1000 条起讫对做特征解释,路径距离、地表距离和目的地工作人口的影响最大。把重要特征挪动其取值全距的万分之一后,预测的平均变化与上海测试误差处于同一量级,路径距离对应的变化为 1.50,上海相对真实流量的平均绝对误差为 0.99。

规划要的是生成,历史数据外推够不到

已有研究大多做流量预测:用过去的序列估计未来。雄安、巴西利亚、昌迪加尔这类新建或在建地区,作者用来说明另一种任务:真实流量还拿不到,能用的是估计人口和规划用地。这时要直接生成起讫矩阵(origin–destination matrix),也就是任意两个地点之间的出行次数。

传统做法常分成两步。先估计每个地区的流入和流出,再把这些总量拆成两两之间的流量。引力模型把流量写成起点产生量、终点吸引量和距离的幂:

fᵢⱼ = α₀ × Pᵢ 的 α₁ 次方 × Aⱼ 的 α₂ 次方 ÷ dᵢⱼ 的 α₃ 次方。

它需要数据来定这四个参数,也很难从兴趣点、建筑和道路里再挖出非线性关系。Deep Gravity 用全连接网络估计每个起点前往各目的地的概率,仍是在分配流量,而不是为每一对地点单独给出次数。图神经网络则要为整座城市建图。规划人员有时只想看一块新区改了用地之后的变化,现有模型却往往得把全市重新算一遍。

UGNN 把任务收成一次回归:给定一座城市在某个小时的格子特征、格子对特征和城市特征,直接输出这一对格子的出行次数。格子是不重叠的 1000 米 × 1000 米,时间按出发小时分成 24 段。全市格子对不一次放进内存,而是逐对生成。

36 座城市里,被预测的流量是什么口径?

流量来自中国电信 2019 年全年、36 座城市的手机数据。电信公司先从处理后的信令得到出行,再按小时统计格子之间的次数。只保留城内出行,城际出行被去掉,因为城内和跨城的方式不同。起点格子与终点格子相同的出行也去掉,这些行程短,而且难测。因此后文所有误差都只针对跨格子流量,不能还原一个人的全部活动,也不能推出跨城联系。

这 36 座城市的电信市场份额在 15% 到 25% 之间。作者按各城市场份额把流量放大,希望接近全体居民。各城的具体份额没有列出,所以平均绝对误差处在放大后的人次上。若某城份额是 20%,原始计数大约被乘以 5;文中没有给出可以逐城复核的乘数。

周末、周一和周五受周末影响,公休日也被去掉。最后只留周二、周三、周四,共 133 个典型工作日,再对工作日同一小时、同一对格子求平均。模型学的是这一年平均小时流量,不是某一天的突发拥堵,也不含作者假定影响较小的恶劣天气和节庆。

人口分居住人口和工作人口,同样来自中国电信,格子尺度与流量一致。兴趣点与兴趣面来自百度地图,按规划用地手工分成 23 类和 19 类:兴趣点计个数,兴趣面计面积。建筑轮廓用底面积乘高度后对格子求和,用来补兴趣面只有占地、没有高度的缺口。夜间灯光来自 Earth Observation Group,按光斑面积加权平均到 1 公里格子。道路长度、最近地铁站和公交站的直线距离来自 OpenStreetMap。

格子对还有三项成本:两格中心的地表距离、沿路网的最短距离,以及按限速估算的最短时间。路网节点是交叉口,格子中心先连到最近交叉口,这段连接的限速被定为 10 公里/小时。作者没有加入拥堵,也没有把格子之间的行驶时间单独再算一遍,理由是新城往往没有这些观测。建成区外把 5×5 个格子并成一个大格子来算距离,因为远离中心的路网精度没那么关键。

建成区用 DBSCAN 从建筑轮廓里划出。搜索距离 1500 米,建筑占地超过 30,000 平方米的格子作为起始点,聚类结果再向外扩 1000 米。图 1 用北京说明这件事,北京在后文属于训练城市。

完整原论文图1

图 1|距离和建成区在送进模型之前怎样被定义?

(a)蓝色为路网,黄色格子中心 i、j 连到最近交叉口,橙色为两点间的最短路。地表距离是另一项特征,不在这条橙线上。(b)北京建筑轮廓落在 500 米格子上,深浅表示建筑聚集。(c)同一范围经 DBSCAN 标出的建成区为黄色,并包含建成区外 1000 米内的格子。来源:原论文 Fig. 1。

城市级特征使用 2019 年的统计:GDP、总人口、总面积、行政区域几何中心的经纬度,以及建成区面积,来自政府网站。再加上出发时段。表 3 写外部特征共 8 项,正文点名的城市统计和时段并没有把 8 项逐一命名。

表 4 的表题写着还包括网格数量,印出的列只有人口、建成区面积和日总出行量。正文把人口称为建成区内人口。日总出行量是放大后的工作日总量,单位是百万次每天。训练城从徐州 638 万次到北京 5272 万次;测试城从呼和浩特 654 万次到上海 6153 万次。苏州建成区 2447 平方公里、人口 399 万、日流量 1236 万次,面积大于不少人口更多的城市。这里按表 4 原文转述。各城格子数没有出现在印出的表里。

26 座训练城市是北京、广州、成都、南京、郑州、宁波、佛山、东莞、合肥、长沙、青岛、苏州、厦门、济南、沈阳、大连、昆明、长春、温州、石家庄、贵阳、南昌、常州、哈尔滨、乌鲁木齐、徐州。10 座测试城市是上海、深圳、杭州、武汉、天津、无锡、福州、南宁、兰州、呼和浩特。划分按政府报告中的城市等级,并要求每个等级至少有一座测试城。论文没有逐城写出等级,也没有把雄安放进测试集。测试城被当作规划阶段的替身,是因为模型没有用它们的流量做训练,它们的用地和人口仍然是 2019 年已经存在的。

一个格子对怎样变成一个出行次数?

格子特征分成两路,因为兴趣点和兴趣面更稀疏。除去这两类,每个格子还有 7 项地理信息。模型取目标格子周围 3×3 的格子,拼成 7×3×3 的小块;兴趣点与兴趣面则拼成 42×3×3。起点和终点各走一套结构相同、参数分开的网络:两层卷积,核大小为 2、步长为 1,维度 256 和 128,后面再接两层 128 维的全连接。每层后有批归一化和 Leaky ReLU。

三项格子对特征进入 64 维全连接,八项外部特征进入另一路 64 维全连接。起点的地理向量和用地向量先拼在一起,经两层 128 维网络压缩;终点同样处理。然后把起点、终点、格子对和城市四段接起来,送入六层全连接,维度依次为 512、512、256、256、128、128,最后一层输出这一对格子的出行次数。

完整原论文图2

图 2|一次预测用到哪些输入,又在哪一层汇合?

无字母子图。左侧示意一条格子对及其周围格子,图中把 grid 印成了 gird。中间提取层把起点、终点的地理与用地小块、格子对特征和外部特征分别编码;拼接层再把四路合在一起;输出层给出这一对格子在该小时的出行次数,而不是一组加总为 1 的概率。来源:原论文 Fig. 2。

这个设计和 Deep Gravity 的差别在于,各起讫对互不归一。作者的理由是 1 公里格子上的位置和流量都有偏差,若强制同一个起点的流量加总等于某个总量,一对格子的误差会改写所有共享该起点的预测。代价是:改一块用地之后,模型不会自动把全市其他流量重新分配;各对预测加总,也不保证等于该格子的规划岗位或居住人口。3×3 邻域能看见紧邻格子的用地,看不见更远目的地之间的竞争。

训练在 26 座城市内部再切分。格子按 90% 和 10% 分成训练与验证,起讫对跟着起点格子走。0 到 1 次的起讫对占多数,每 3 个训练轮次只重新抽取其中 20%,超过 1 次的全部保留。外部特征每次加上均值 0、标准差 0.01 的噪声,避免记住某座城市的精确 GDP。权重初始为均值 0、标准差 0.01 的正态,偏置为 0。UGNN 训练 50 轮,Adam 的两个 beta 为 0.9 和 0.999,批大小 2048,学习率 5×10⁻⁵,损失是平均绝对误差。机器是一张 RTX 3090。最终采用验证误差最低的那一轮。

平均绝对误差的分母是 n(n−1),n 为该城格子数,只加总 i 与 j 不同的格子对:

MAE = 1/(n(n−1)) × Σᵢ Σⱼ≠ᵢ |fᵢⱼ − f′ᵢⱼ|。

大量接近 0 的格子对会把这个平均值压低。均方根误差使用同一个分母,再对平方误差开方,因此大流量上的偏差更显眼。后文上海的 MAE 可以是 0.99,RMSE 仍有 11.20,两件事同时成立。

四个对照使用同一训练切分、同一抽样和同一个随机种子。引力模型只用起点产生量、终点吸引量和地表距离,四个参数用深度学习拟合 5 轮,学习率 10⁻³,初值来自均值 0.5、标准差 0.1 的正态。测试时假定每个格子的产生量和吸引量已经 100% 正确,并让生成的总流出等于真实总流出。学到的参数是 α₀ = 71.3847,α₁ = 0.4561,α₂ = 0.4222,α₃ = 1.4396,距离的幂大约是 1.44。

XGBoost 把全部特征拉成一条向量,用平均绝对误差和 0.1 的学习率训练。Deep Gravity 换成本文的格子与格子对特征,结构仍是 15 层全连接:前 6 层 256 维,后 9 层 128 维,dropout 为 0.35。它训练 30 轮,损失是交叉熵,优化器为 RMSProp,动量 0.9,学习率 10⁻⁵。每个起点最多抽 512 个终点。输出是概率,再乘以真实人口得到次数。论文写明,这等于假定上一阶段的人口完全正确,只考察当前这一步的分配。

GraphSAGE 把每座城市建成一张大图,格子是节点,相邻格子连边,三层维度为 1024、1024、512,格子对和城市特征的全连接与 UGNN 相同。它不是 UGNN 的逐对卷积。

主比较有一个不对称:对照模型不分小时,只学习和生成 7:00–8:00。UGNN 在全部小时上训练,测试时只输出这一个小时。因此 UGNN 多看见了其他小时的流量。后文的优势不能单独记成网络层数。

10 座没训练过的城市,7 时到 8 时差多少?

测试指标有五个。MAE 和 RMSE 越接近 0 越好。结构相似性指数(structural similarity index,SSIM)把流量矩阵当成图像,用 10×10 的窗口逐格滑动,窗口内比较均值、方差和协方差,再对所有窗口取平均;论文把式中的 α、β、γ 都设为 1。通勤者共同部分(common part of commuters,CPC)沿用 Deep Gravity 的名字,这里算的是该小时全部跨格子出行的重叠,并不只含通勤。皮尔逊相关系数(Pearson correlation coefficient,PCC)衡量两套流量的线性相关。SSIM、CPC、PCC 越接近 1 越好。

式(16)在 1/(N(N−1)) 之后,又写下两倍的逐对较小值之和,除以真实流量与生成流量之和。若再除以全部格子对的个数,CPC 会变成接近 0 的数。表 5 的 CPC 却落在 0.53 到 0.67。读表时按重叠比例理解:分子是两倍的重叠流量,分母是真实与生成流量之和。式子前面的 1/(N(N−1)) 与表中量级对不上。

测试城市 UGNN 的 MAE 其余模型的最低 MAE 最低 MAE 来自 UGNN 的 RMSE SSIM CPC PCC
上海 0.99 1.36 XGBoost 11.20 0.65 0.55 0.62
深圳 2.52 3.40 XGBoost 14.76 0.90 0.63 0.74
杭州 1.01 1.32 XGBoost 6.71 0.99 0.62 0.72
武汉 1.17 1.72 XGBoost 18.23 0.75 0.60 0.66
天津 0.60 0.92 XGBoost 4.08 0.98 0.64 0.72
无锡 0.95 1.17 XGBoost 4.81 0.93 0.53 0.64
福州 1.14 1.59 XGBoost 9.26 0.93 0.60 0.67
南宁 1.09 1.53 XGBoost 9.43 0.95 0.60 0.70
兰州 0.70 0.97 GraphSAGE 6.41 0.88 0.63 0.76
呼和浩特 1.46 2.22 XGBoost 7.72 0.98 0.67 0.76

表中 MAE、RMSE 的分母都是该城全部跨格子起讫对,数值是放大后的人次。UGNN 的五项都好于同城的四个对照,包括那些已经拿到真实总流出或真实人口的模型。深圳的 MAE 最高,为 2.52,对应的最好对照是 3.40。武汉的 RMSE 仍有 18.23,说明大流量格子对的偏差没有消失。上海的 SSIM 只有 0.65,在 10 城中最低;杭州达到 0.99。CPC 最低是无锡 0.53,最高是呼和浩特 0.67。重叠大约一半到三分之二,剩下的流量仍对不上。

引力模型的 PCC 在 10 座城市都记为 0.00。论文没有解释这一列为何恰好为零。它的 CPC 也很低,上海只有 0.09。在已经对齐总流出的前提下,线性相关仍接近 0,说明次数的排序或空间分配没有跟着真实流量走。

GraphSAGE 在部分城市的 SSIM、CPC、PCC 高于引力模型和 Deep Gravity,但 MAE 常常更大。上海它的 MAE 是 5.03,高于 XGBoost 的 1.36;作者检查预测后认为它能大致摆出流量分布,却把出行次数高估了。原因被归到图太大:在 26 座城的图上训练之后,提取层处理不了测试城的新图。兰州是例外,GraphSAGE 的 MAE 为 0.97,是该城对照里最低的,但 SSIM 只有 0.03。更高的结构分数和更低的绝对误差并不是同一句话。

完整原论文图3

图 3|7 时的出行更集中在近距离,还是被模型摊平了?

无字母子图,十个面板依次为上海、深圳、杭州、武汉、天津、无锡、福州、南宁、兰州、呼和浩特。横轴是地表距离 d,单位公里,刻度在 1 公里和 10 公里;纵轴是该距离段的流量比例 P(d),纵轴为对数。黄线为真实值,蓝线引力模型,绿线 Deep Gravity,红线 XGBoost,青线 GraphSAGE,紫线 UGNN。正文把行程按 1 公里一段分成 20 组,每组比例等于该组流量除以全部组的流量之和。真实曲线和紫线在短距离更高,并随距离下降;红线和绿线往往把短距离压低、把中距离抬高。来源:原论文 Fig. 3。

图 4 只画建成区内、流量处在前 3% 的起讫对,时间仍是 7 时。4.2.1 节点名上海、武汉、兰州和呼和浩特,图中四行却是上海、杭州、无锡和呼和浩特。结论里又写成四座测试城市。表 5 的定量比较覆盖全部 10 座。读地图时以图中的四座为准,读误差时以表 5 为准。

完整原论文图4

图 4|主要出行走廊能不能在地图上对上?

无字母子图。四行分别为上海、杭州、无锡、呼和浩特;每行六个小图为真实值、UGNN、引力模型、XGBoost、Deep Gravity 和 GraphSAGE。色标上端浅、下端深,图注写浅色流量更大、深色更少,只保留建成区内流量前 3% 的起讫对。UGNN 更接近真实图里亮的走廊;引力模型和 Deep Gravity 整体更暗。这是前 3% 的可视化,不能代替表 5 里全部格子对的误差。来源:原论文 Fig. 4。

换一个小时,或者换一档格子,还保持同样的重叠吗?

小时实验只在上海做,而且不再和四个对照比。UGNN 对每个小时生成流量,再和真实流量算 SSIM、CPC、PCC。图 5 没有逐小时数值表,下面的读数是对照坐标刻度看曲线。

完整原论文图5

图 5|上海不同小时的生成结果是否一样像?

(a)SSIM,清晨大约 5 时降到 0.5 刻度下方,17 时前后回到 0.8 以上,临近 23 时再下降。(b)CPC 大部分时间位于 0.5 与 0.6 之间,曲线末端略降。(c)PCC 清晨约在 0.5,白天升到 0.6 以上,入夜略回落。三张图的横轴都是出发小时,纵轴都是 0 到 1。来源:原论文 Fig. 5。

重叠比例全天大体停在同一段里,结构相似性却在清晨明显变差。作者写的是各小时相似度保持一致。图 5 支持 CPC 和 PCC 没有大起大落,不支持 SSIM 每个小时都一样。

图 6 把每个小时的出行加总,再除以全天出行,得到小时份额。若 24 小时均匀分配,每小时约为 1/24 ≈ 0.042。

完整原论文图6

图 6|早高峰和晚高峰的小时份额有没有被生成出来?

无字母子图。横轴为小时,纵轴为该小时出行占全天的比例,刻度从 0.02 到 0.07。实线为 UGNN,虚线为真实值。两者都在大约 7–8 时形成早高峰,真实曲线略高于 0.07 刻度,UGNN 的平台紧贴该刻度下方;午间回到 0.05 上下。晚高峰 UGNN 高于真实虚线。深夜降到 0.02 附近,最右端真实曲线略有上翘,生成曲线继续向下。来源:原论文 Fig. 6。

份额接近,只说明这一小时的总出行量占全天的比例相近。它可以和某一条具体走廊完全走反,只要别的走廊把总量补上。走廊是否同向,要回到图 7。

完整原论文图7

图 7|上海四个时刻的主要流向是否跟着钟点改变?

(a)6:00 真实值,(b)6:00 的 UGNN,(c)8:00 真实值,(d)8:00 的 UGNN,(e)18:00 真实值,(f)18:00 的 UGNN,(g)20:00 真实值,(h)20:00 的 UGNN。色标同样是浅色流量更大。6 时已经有连接外围和中心的亮线,8 时更密。18 时与 20 时的形态彼此接近,也和对应的真实图接近。正文另写到 22–23 时只剩少量返家出行,这四个时刻的图里没有 22 时。正文里的 16:00–7:00 p.m. 与图中的 18:00 对不上,这里按子图标注的钟点阅读。来源:原论文 Fig. 7。

格子尺度实验使用原始的 500 米格子,并汇总到 1000 米和 2000 米,只报告上海、深圳、杭州的 SSIM、CPC、PCC,没有再报 MAE。

城市 500 米 SSIM / CPC / PCC 1000 米 SSIM / CPC / PCC 2000 米 SSIM / CPC / PCC
上海 0.62 / 0.55 / 0.61 0.65 / 0.55 / 0.62 0.66 / 0.58 / 0.66
深圳 0.91 / 0.58 / 0.70 0.90 / 0.63 / 0.74 0.98 / 0.67 / 0.76
杭州 0.91 / 0.60 / 0.66 0.99 / 0.62 / 0.72 0.98 / 0.63 / 0.72

1000 米一列与表 5 的 SSIM、CPC、PCC 一致。作者认为格子越大,缺少明确目的的短出行被包进同一格,指标越好。表 6 里 CPC 和 PCC 随格子变大不降,SSIM 却有两处回头:深圳 500 米的 0.91 高于 1000 米的 0.90,杭州 1000 米的 0.99 高于 2000 米的 0.98。变粗之后更好,只在多数格子、多数指标上成立。

哪些信息在推动预测,轻轻改一下会怎样?

特征解释用 SHAP,只取上海中心一处典型居住区发出的 1000 条起讫对。居住、工作等特征先把周围九个格子平均,再计算贡献。因此图 8 是这一片居住区出发流量的解释,不是 36 座城市的平均重要性,也不能直接挪到工业区或新城。

完整原论文图8

图 8|这一千条居住区出发的起讫对里,哪些特征把预测推高或压低?

无字母子图。每一行是一个特征,点的横向位置是 SHAP 值,纵轴特征按影响排序。颜色从蓝到红表示该特征取值从低到高。路径距离和地表距离的点云横向跨度最大,目的地工作人口次之;起点工作人口、起点居住人口以及教育、体育、娱乐类用地也离开了零线。时间与城市级特征没有出现在这张最相关特征图的前列。正文的概括是边特征影响大,多数特征与流量负相关,也有低取值处呈正相关的情形,并由此推测有人必须到较远的地方工作。颜色相关是模型解释,不是用地改变后的观测实验。来源:原论文 Fig. 8。

敏感性分析仍在上海,每次只改一个重要特征。扰动量 ε 等于该特征最大值减去最小值,再除以 10000。论文没有标注 ε 的单位。改完之后重新预测全部起讫对,用 MAE 比较新旧预测。这里的 MAE 是预测相对预测的平均变化,分母仍是全部跨格子对,对照的是未扰动的 UGNN,不是真实流量。

特征 ε 相对原预测的 MAE
路径距离 28.57 1.50
地表距离 19.62 0.95
目的地工作人口(表中写 Work) 2.80 1.23
路径时间 0.02 0.77
起点工作人口 2.80 1.12
起点居住人口 3.31 0.98

作者据此认为模型经得起微小改动。路径距离引起的 1.50 已经大于上海相对真实流量的 MAE 0.99。平均变化不大,主要因为绝大多数格子对的次数本来就接近 0;这个表没有给出大流量起讫对单独的变化。

数据太大时,作者试过把出行次数直接改成整数。0 到 1 次的起讫对因此变成 0,总出行被压低,平均距离被拉高。后来改为先四舍五入到 0.01,再乘以 100 存储,计算损失时除回 100。这是存储处理,不是一条新的出行规律。

它还不能直接当成规划方案的因果实验

UGNN 在 10 座真实城市上更接近 7–8 时的放大流量,也能跟着小时改变上海的总量份额和主要走廊。证据停在这里。

测试城的兴趣点、建筑和人口都是 2019 年已经存在的。作者在展望里写明,全新地区往往给不出这么细的兴趣点和兴趣面,规划图常常只有一小块用地类型。模型没有做过去掉兴趣点之后的对照实验。

各对预测相互独立,所以一块用地的改变不会在同一次计算里改写所有相关起讫对。图神经网络原则上能连接这些格子,但作者认为上万个格子连成图的内存和时间仍然太大。

流量来自一家运营商的城内、工作日、跨格子平均。市场份额放大假设未观测到的用户与电信用户出行结构相同,这个假设没有另作检验。周一、周五、周末和城际出行都不在目标里。SHAP 只解释了上海一处居住区的 1000 条出发流量。

一句话总结

用其他城市的工作日人流学会地理与流量的对应之后,这套网络能在 10 座没参与训练的城市里,比拿到真实流出量的对照更接近 7–8 时的格子流量;它复现的是已有城市的电信出行结构,还不能代替一张缺少兴趣点的新城方案。

核心来源

  • Computer-Aided Civil and Infrastructure Engineering 正式页面,核对题目、作者、卷期、页码与 DOI。正式版本为 2025 年,40(29),5769–5789。
  • 本文图 1–8 与表 4–7 的数值均来自这一正式 PDF。文中没有补充材料、数据仓库或代码链接;表题提到的各城网格数也没有印在表 4 的数值列里。
  • 对照模型 Deep Gravity 的原始定义见 Simini、Barlacchi、Luca 与 Pappalardo,2021,Nature Communications。本文的 CPC 名称来自那里,实验特征、损失和是否强制分配总流出已经改成作者自己的设置。

作者介绍

七位作者在本论文中的署名机构都是 Beijing Transport Institute,即北京交通发展研究院。论文没有单独的贡献说明。

  • Jifu Guo(郭继孚):通讯作者,邮箱 guojf@bjtrc.org.cn。北京市人民政府网站 2024 年称其为北京交通发展研究院院长。2024 年与缐凯、李寻等合作的仿真论文作者简介中,他为博士、教授级高级工程师,研究方向包括交通规划、交通战略、交通管理和智能交通。
  • Shengguang Bai(白盛光):署名为北京交通发展研究院。2023 年与郭继孚、李寻发表《基于深度学习的城市交通需求场景库》,讨论城市交通需求场景,与本文的生成任务相连。
  • Xun Li(李寻):署名为北京交通发展研究院,并出现在上述 2023 年场景库论文和 2024 年北京交通仿真论文的作者中。
  • Kai Xian(缐凯):2024 年《北京交通仿真建模的新技术探索与实践》的作者简介写明,他为北京交通发展研究院正高级工程师、研发中心主任,研究方向为交通需求预测、交通仿真和智能交通。该文已把通用地理神经网络用于出行分布预测。
  • Erjian Liu、Wenting Ding、Xizhi Ma:本论文只列出北京交通发展研究院署名,没有另附个人履历。介绍停在论文给出的身份。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

若规划图上只有用地类型,没有 23 类兴趣点和 19 类兴趣面,可以直接在这 10 座测试城里做一次掩码:保留距离、人口和道路,去掉兴趣点与兴趣面,看 CPC 从现在的 0.53–0.67 掉到哪里。掉得少,才比较有理由把模型用于资料不全的新区;掉得多,则图 8 里那些靠后的用地特征虽然 SHAP 跨度小,仍可能是城市之间能迁移的关键。这个实验论文没有做。

另一项可以先在测试城里算清的账,是生成流量的加总。把每个起点预测出的全部出行加起来,再除以该格子的工作人口或居住人口,10 座城市会得到 10 组比例。比例若稳定,规划人员至少知道模型隐含的人均出行次数;比例若随城市差出一倍,独立预测在方案比较里就会把就业中心的规模读偏。表 5 的平均绝对误差不会自动暴露这件事,因为接近 0 的格子对主导了平均。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录