2025-Predicting human mobility flows in cities using deep learning on satellite imagery


卫星图里的街区样子,能不能估出上班的人往哪流?

论文名片|Yichen Xu、Song Gao、Qunying Huang、Aslıgül Göçmen、Qiang Zhu、Feng Zhang,Predicting human mobility flows in cities using deep learning on satellite imagery,Nature Communications,2025,16:10372。2024年10月21日收稿,2025年10月13日接收,2025年11月24日在线发表。DOI:10.1038/s41467-025-65373-z。

纽约都会区里,两个普查区之间有多少人从家去上班,通常要等人口普查的通勤统计。统计更新慢,个人手机轨迹又涉及隐私。一个省事的想法是:房顶、道路和绿地已经印在卫星图上,再配上两地距离,人流也许就能估出来。

这项研究在美国十个最大的都会统计区(metropolitan statistical area,MSA)上试了这件事。模型叫 Imagery2Flow。输入主要是 10 米或 30 米卫星图,以及普查区之间的邻接关系。在同一座都会区内部,它把已经有至少 10 名通勤者的家—工作联系估得相当接近调查;换到地表和城市形态不像的另一座都会区,直接沿用权重就会明显变差。它估的是普查区之间的通勤流量,不是一个人一天的轨迹,也不是所有可能的街区组合。

先说结论

  • 评估对象是 2020 年 LODES 通勤调查里、两个人口普查区之间至少 10 名通勤者的联系。十个都会区图注中的条数相加为 568,769 条。纽约有 4,953 个普查区、120,559 条联系,平均每条 22.3 人,中位数 16 人。
  • 同一都会区内,用 10 米影像的 Imagery2Flow-LGBM,十城 CPC 为 0.80 到 0.84。纽约的 RMSE 是 13.44 人、MAE 是 7.36 人,分母是这 120,559 条保留联系,不是全部普查区配对。
  • 相对直接使用同一套图像特征的树模型,论文概括 RMSE 降低 4.5% 到 13.9%。两端可以在表 1 对上:纽约相对 LGBM 是 (14.07−13.44)/14.07,芝加哥相对 XGBoost 是 (25.26−21.74)/25.26。
  • 通勤距离分布更接近指数衰减。图 3 红线的 λ 从达拉斯 0.052 到纽约 0.106。λ 与紧凑度、中心性的 Pearson 相关约在 0.6 到 0.8,其中人口密度 0.74、就业指标 0.70,都是十个都会区、p 值小于 0.05。
  • 双线性模型换城市时,市内对角线 CPC 仍是 0.76 到 0.80,但洛杉矶训练、亚特兰大测试只有 0.03,反向是 0.00。用 2020 年权重去读约十年或二十年前的影像,十城 CPC 仍不低于 0.67,纽约 RMSE 则从 13.44 升到 2010 年的 21.02 和 2002 年的 22.72。

被估的是普查区之间的上班人数

人类移动性(human mobility)在这里不是搬家,也不是手机上一天的地点序列。地面真值来自美国人口普查局 2020 年就业起讫统计 LODES:家在哪个普查区,工作地在哪个普查区,中间有多少通勤者。起讫流量(origin–destination flow,OD 流量)的分析单位是一对普查区,流量是人数。

少于 10 名通勤者的联系被删掉,理由是它们不容易代表稳定的两地联系。因此后面的误差都站在保留下来的联系上。纽约 4,953 个普查区若两两都算,配对数量会到千万级;论文没有报告模型对零流量或 10 人以下联系的识别。平均 22.3 人、中位数 16 人,也只描述这 120,559 条保留联系。

十个都会区按图 3 图注的保留条数是:纽约 120,559,洛杉矶 68,712,芝加哥 67,090,达拉斯 57,311,休斯敦 40,628,华盛顿 46,261,费城 45,025,迈阿密 39,593,亚特兰大 43,147,凤凰城 40,443。后文用中心城市简称,指的都是整个都会统计区,不是市界以内。

每个都会区按普查区人口做分层抽样,60% 训练、20% 验证、20% 测试,再用五折交叉验证把预测铺满全城。测试折里的普查区不会作为训练流量的起点出现。它们仍可能在训练时当过终点,所以这是未见起点,不是从未见过的地块。距离用普查区质心之间的驾驶路线长度,由 OSRM 计算,单位是米;图上画成公里。这不是地图直线距离。

影像是 Sentinel-2 的 10 米数据和 Landsat-8 的 30 米数据,在 Google Earth Engine 里去掉云和云影。一幅都会区要拼多景,同一座城市里的影像季节可能并不一致。

图像先自己学,流量再靠邻接图来估

模型分三步。第一步不看通勤人数。同一普查区的卫星图做两次随机裁剪、缩放到 224×224 并扰动颜色,对比学习把这两张视图拉近,把其他普查区推远。实验骨干是 ViT-L/16。公式里出现的 ResNet 是编码器的写法示例,不是最终选用的网络。嵌入训练 120 轮,温度参数 0.5。

第二步把普查区当成节点,地理上相邻就连边,边的特征是驾驶距离。图注意力网络(graph attention network,GAT)用三层、512 维,让每个节点按邻居的重要程度更新自己的表示。第三步有两个解码器。双线性层只用起点和终点的向量估流量;变体 Imagery2Flow-LGBM 再把这两个向量和距离交给 LightGBM。后文的 LGBM 变体因此多看了一次距离,也换成了树模型,不能把 CPC 从 0.79 升到 0.83 只记成同一网络多训了几轮。

流量分布很偏,少数联系特别大。训练时对流量取以 2 为底的对数,并用批次蒙特卡洛损失对付这种不平衡。论文说它优于均方误差,正文没有给出两项损失的具体差值。

完整原论文图1

图 1|卫星图和邻接关系怎样变成一条通勤流量?

(a)十个都会统计区的位置,M1 到 M10 依次是纽约、洛杉矶、芝加哥、达拉斯、休斯敦、华盛顿、费城、迈阿密、亚特兰大和凤凰城。(b)各普查区就业人数对位序的双对数图,图例斜率都是负数,洛杉矶标为 −1.433,凤凰城标为 −1.847;纵轴就业人数,横轴位序。(c)上半是图像对比学习,下半是邻接图上的注意力编码,再分双线性层或 LGBM 输出流量。来源:原论文 Fig. 1。

正文把更负的斜率解释成就业随位序下降更慢、因而更多中心。按对数斜率的通常读法,−1.847 比 −1.433 更陡,下降更快。图例本身没有改写这个符号。后面和 λ 相关的就业指标是另一个量,数值只在补充图里,正文给出的是相关系数 0.70。

同一座城市里,它比旧模型好多少?

表 1 把每个都会区单独训练、单独测试。CPC(common part of commuters,通勤者公共部分)是

2 × 各条联系上真实与预测的较小值之和 /(真实总人数 + 预测总人数)。

它接近 1 表示两边的人流量叠合得多。0.83 不是 83% 的普查区对被完全猜中。RMSE 和 MAE 的单位是这条联系上的通勤人数,分母是该都会区保留下来的 OD 条数。五折铺满全城,所以纽约的分母是 120,559,不是其中一折的 20%。

纽约这一列最容易看清对照。辐射模型 RMSE 50.44、MAE 25.61、CPC 0.16。引力模型 RMSE 50.58、MAE 24.72、CPC 0.02。只用水人口和距离的深度引力模型 Deep Gravity-P 是 26.60、19.61、0.22。换成 10 米图像特征的 Deep Gravity-V 升到 CPC 0.67,RMSE 18.48。Imagery2Flow 双线性解码是 16.47、8.97、0.79;LGBM 解码是 13.44、7.36、0.83。

深度引力模型在估计时使用每个起点已知的总流出。Imagery2Flow 的测试没有把这个总流出当成已知约束。SIGCN 的图还按已知流量来连边。因此 0.83 对 0.22 不是同一信息量下的比赛,方向是:少用这项流量约束的图像模型,误差仍然更低。论文也写明,总流出未知时,深度引力那种高表现拿不到;SIGCN 依赖已知流量建图,换城时更受限制。

直接把起点图像、终点图像和距离拼起来的树模型已经不差。纽约 10 米 LGBM 的 RMSE 是 14.07,XGBoost 是 14.33,CPC 都是 0.83。加上图网络之后,纽约 RMSE 再降到 13.44,相对 14.07 是 4.5%。芝加哥 XGBoost 的 RMSE 是 25.26,Imagery2Flow-LGBM 是 21.74,相对下降 13.9%。MAE 的两端是:洛杉矶相对 XGBoost,(7.82−7.72)/7.82,约 1.3%;休斯敦相对直接 LGBM,(11.47−10.23)/11.47,约 10.8%。CPC 的相对升幅,论文写的是 1.3% 到 2.6%;休斯敦从直接 LGBM 的 0.78 到 0.80,除以 0.78 就是约 2.6%。这些百分比的分母是对照模型自己的指标,不是通勤人数。

GMEL 同样用图嵌入再加梯度提升,和本文最接近。10 米结果里,它相对 Imagery2Flow-LGBM 的 RMSE 高出幅度最低出现在纽约:(13.83−13.44)/13.83,约 2.8%。深度引力图像版和 SIGCN 的最低高出幅度,分别是芝加哥 (28.43−21.74)/28.43,约 23.5%,以及凤凰城 (17.26−13.50)/17.26,约 21.8%。这是各模型最接近本文的那一座城市,不是十城平均。

十个都会区里,10 米 LGBM 变体的三项指标如下。CPC 一列的分母都是该城真实总人数与预测总人数之和。

都会区 保留 OD 条数 RMSE MAE CPC
纽约 120,559 13.44 7.36 0.83
洛杉矶 68,712 14.90 7.72 0.84
芝加哥 67,090 21.74 9.42 0.82
达拉斯 57,311 15.54 8.76 0.82
休斯敦 40,628 20.48 10.23 0.80
华盛顿 46,261 15.45 9.02 0.83
费城 45,025 14.30 8.23 0.83
迈阿密 39,593 14.71 8.34 0.83
亚特兰大 43,147 12.51 7.29 0.84
凤凰城 40,443 13.50 7.49 0.84

迈阿密是例外:30 米 LGBM 的 RMSE 14.38、MAE 8.20、CPC 0.84,三项都好于上表的 10 米结果。其余九城是 10 米的 RMSE 和 MAE 更低,CPC 持平或更高。分辨率从 30 米提到 10 米有帮助,但没有差到换一种模型的程度。表 1 里达拉斯和休斯敦的引力模型都印成 RMSE 135.98、MAE 37.74、CPC 0.03,两城三项完全相同;正文没有解释这个重合。

图像特征也优于论文用来对照的 OpenStreetMap 兴趣点计数,双线性解码和 LGBM 解码都是如此。正文没有列出兴趣点那一版的 RMSE。兴趣点在曼哈顿和在新泽西郊区的完整程度本来就不一样,卫星图则盖住整个都会区。

人少的地方会不会突然估不准?

纽约的结果被拆开看。图 2 的分母仍是这 120,559 条联系、4,953 个起点普查区。人口十分位是把普查区按人口排序后等分成十组:第 1 组是人口最多的 10% 个普查区,第 10 组最少。这不是把总人口切成十等份。

完整原论文图2

图 2|纽约都会区里,误差会不会只出在某一种联系上?

(a)调查通勤流量。(b)10 米影像、LGBM 解码的预测。(c)30 米影像、LGBM 解码的预测。三张图的颜色表示流量强度,从不超过 20 人到超过 100 人。(d)横轴是起点人口十分位,纵轴是平均 CPC。(e)驾驶距离分为 0–10、10–20、20–30、30–40、40–50 和大于 50 公里。(f)流量强度分为小于 20、20–40、40–60、60–80、80–100 和大于 100 人。误差线是各起点 CPC 的标准差,不是均值的置信区间。来源:原论文 Fig. 2。

人口从高到低,平均 CPC 大体停在 0.8 附近,没有随郊区人口变少而塌掉。LGBM 在前九个十分位高于双线性解码,到人口最少的一组才略低于双线性解码。距离六个档也都保持较高 CPC,远距离没有单独失效。

强度一变,差别就出来了。低强度两档的平均 CPC 明显高于大于 100 人的一档;图上没有逐点标数。正文给出的可核对结果是,高强度下 LGBM 仍能达到 0.6,双线性解码下降得更多。误差线是各起点 CPC 的标准差,所以 0.6 是起点之间的平均,不是每一条大流量都达到 0.6。大流量更难,是因为训练集里小流量占绝大多数。

距离衰减跟城市形状有关吗?

十个都会区的通勤距离分布都更接近指数,而不是幂律或截断幂律。这个选择用赤池权重做,具体权重在补充表,正文只确认指数形式更好。预测分布和调查分布的 KL 散度、JS 散度被说成很小,正文同样没有写出数字。

拟合写成 P(d) ~ e^(−λd),d 是公里。λ 越大,长距离通勤在这条指数里掉得越快。图上的 λ 是:纽约 0.106,洛杉矶 0.088,芝加哥 0.072,达拉斯 0.052,休斯敦 0.061,华盛顿 0.075,费城 0.099,迈阿密 0.083,亚特兰大 0.062,凤凰城 0.058。达拉斯最小,纽约最大。每多 1 公里,指数密度要乘上 e^(−λ):达拉斯约 0.949,纽约约 0.899。这是拟合曲线的衰减因子,不是调查里数出来的人数比,也不是距离翻倍、人数减半。

完整原论文图3

图 3|十座都会区的通勤距离,是不是同一条衰减?

(a)纽约,λ = 0.106,120,559 条。(b)洛杉矶,0.088,68,712 条。(c)芝加哥,0.072,67,090 条。(d)达拉斯,0.052,57,311 条。(e)休斯敦,0.061,40,628 条。(f)华盛顿,0.075,46,261 条。(g)费城,0.099,45,025 条。(h)迈阿密,0.083,39,593 条。(i)亚特兰大,0.062,43,147 条。(j)凤凰城,0.058,40,443 条。横轴驾驶距离的公里数,对数刻度;纵轴概率密度。红线是对调查分布的指数拟合,点是调查和两种分辨率的预测。来源:原论文 Fig. 3。

近处 1 公里附近,好几座城市的调查点低于红线。一条 λ 概括的是整段距离上的指数拟合,不是第一公里的人数。

λ 再拿去和城市形态做相关,样本只有这十个都会区。紧凑度用 Boyce-Clark 形状指数:从都会区质心以相等角度射出 36 条射线,看半径是否整齐。各半径越接近,指数越低;0 对应正圆,形状越不规则指数越高。正文给出的公式是各射线相对长度偏离均等份额的绝对值之和。BCSI 与 λ 正相关:形状越不规则,λ 越大,长距离通勤的指数份额越少。作者的解释是,更接近圆形时,各方向半径更匀,长距离通勤的成本更低,所以长距离比例更高。

这和一项用手机数据、看个人回转半径的旧研究相反。论文给出三种可能,都不是新的因果检验:手机数据包含多种日常活动,通勤调查的活动类型和频率是固定的;这里的距离是两个普查区质心之间的距离,有聚合;各城出行方式和对长距离的偏好也不同。

中心性看两件事。人口密度从低到高时,论文引用既有研究说城市会从单中心走向多中心。就业则用图 1b 的位序曲线。λ 与人口密度的相关是 0.74,与就业指标是 0.70,p 值都小于 0.05。正文又说,多中心城市的长距离通勤成本更低。十个点、两个正相关,加上图 1b 斜率方向和正文那句更负等于下降更慢并不一致,所以这里只能保留相关,不能当成多中心已经降低了通勤成本。

误差为什么堆在市中心和某些用地上?

全市一个 CPC 会把位置抹平。纽约的起点误差地图显示,郊区更接近零误差,中心和若干圈出来的地区更容易大幅高估。高值饱和在遥感估算人口、植被和碳排放时也常见。其余九城,正文的概括同样是郊区更准、中心更差,没有在正文逐城列出 CPC。

完整原论文图4

图 4|纽约的误差贴着哪一类地方?

(a)10 米影像、LGBM 解码,按起点画出的流量误差百分比,红为高估,蓝为低估,色标到 ±100%。(b)30 米影像的同一地图。A 是植被覆盖,B 是功能混杂的用地,C 是社会经济差异较大的地区;三个圈分别落在都会区西北、中南部和长岛东端,正文没有给出圈内普查区名单。(c)按起点主导土地利用分组的平均 CPC:商业、工业、休闲、居住。(d)按主导土地覆盖分组:开放空间、建成区、森林、耕地、湿地。灰色竖线是组内起点的离散程度。共 4,953 个起点。来源:原论文 Fig. 4。

(c)(d)没有标出每个柱的数字。可见休闲用地低于商业、工业和居住,建成区高于森林和耕地。竖线很长,同一地类内部的起点可以差很多,柱高差不是稳定的地类效应。正文强调的是另一面:植被在图像里样子多,森林和湿地更难;学校、机场、工业和商业建筑可能长得像住宅或办公,模型就会高估人流。中位年龄大于 55 岁的家庭所在地区也被明显高估。年龄、收入和族裔没有进入模型,这个高估是残差里看出来的模式,不是模型学会了年龄。

土地利用来自 2015 年 HISDAC-US,土地覆盖来自 2020 年 NLCD。流量和覆盖是 2020 年,用地早了五年。分组按起点的主导地类,一条流量的终点可以是另一种地类。

换一座城市,权重还能用吗?

迁移实验的读法要先分开。图 5 的横轴是训练城市,纵轴是拿去测试的城市。对角线是在本城训练、本城测试。双线性模型把学到的权重直接用到另一座城市,测试时要有该城的卫星图和普查区邻接图。LGBM 变体在迁移时会重新训练解码器;正文没有写明重训用了多少目的城市样本。有监督解码器若用当地流量来重训,(c)(d)更高就不能理解成和双线性模型同一种零样本换城。

完整原论文图5

图 5|在一座都会区学到的权重,换到另一座还剩多少 CPC?

(a)10 米影像,双线性解码。(b)30 米影像,双线性解码。(c)10 米影像,LGBM 解码。(d)30 米影像,LGBM 解码。行是测试城市,列是训练城市,颜色和数字都是 CPC。对角线与表 1 的市内结果一致。来源:原论文 Fig. 5。

10 米双线性的市内对角线是 0.76 到 0.80。跨城则很散。达拉斯训练、休斯敦测试是 0.68,反向是 0.70。华盛顿训练、费城测试是 0.72,反向是 0.65。洛杉矶训练、亚特兰大测试是 0.03,反向是 0.00。迈阿密到亚特兰大是 0.29,反向是 0.16。费城到纽约是 0.24,华盛顿到纽约是 0.18。同一对城市两个方向也不对称,例如达拉斯到纽约是 0.11,纽约到达拉斯是 0.52。

10 米 LGBM 的对角线升到 0.80–0.84,跨城大多落在 0.55 到 0.73。达拉斯到休斯敦是 0.66,反向 0.63;华盛顿到费城是 0.64,反向 0.70;洛杉矶到亚特兰大是 0.63,反向 0.65。底部被抬高了,但仍然低于本城结果。解码器经过重训,这组数字不能和(a)(b)的直接换城放在同一种零样本比较里。

土地覆盖解释了一部分。图 6 没有标出百分比,只能看相对构成。迈阿密的湿地面很大,凤凰城和亚特兰大的森林很长,芝加哥的耕地块很大,达拉斯有一大段草本。华盛顿和费城的分段更像:开放空间、建成区、森林,然后是耕地。洛杉矶—亚特兰大、迈阿密—亚特兰大的主导覆盖不同,双线性 CPC 也极低。可是达拉斯和休斯敦的主导覆盖并不相同,迁移却较好;费城、华盛顿和纽约若只看主要覆盖,并不能解释它们到纽约时的低 CPC。

完整原论文图6

图 6|十个都会区的土地覆盖构成差在哪里?

无字母子图。每一行是一个都会区,横轴是各类覆盖占该都会区的百分比。图例从下到上的阅读顺序对应开放空间、建成区、森林、灌丛、草本、耕地、湿地、水体和其他。各行没有印出分类数值。来源:原论文 Fig. 6。

论文借用 2014 年对美国都市蔓延的三分法,把这十个都会区放进三类,用来补土地覆盖解释不了的部分。洛杉矶、芝加哥、迈阿密、亚特兰大和凤凰城被归为强度较低、最紧凑、混合较少、单中心较弱。纽约、达拉斯和休斯敦被归为强度更高、更紧凑、混合更多、多中心。华盛顿和费城被归为强度最低、紧凑度较低、混合最多、最单中心。达拉斯—休斯敦、华盛顿—费城正好落在同一类里。洛杉矶和亚特兰大也在同一类,迁移却很差,所以类型相同并不足够,还要看覆盖是否相像。类型本身来自那篇都市形态研究,不是 Imagery2Flow 新算出来的。

30 米的跨城格子不会一律比 10 米更好。论文的判断是,拼图时的云、阴影和季节,比分辨率更影响换城表现。

十年前的影像,还能对上当时的通勤吗?

时间迁移用的是各城在 2020 年训练好的 Imagery2Flow-LGBM,再去读更早的 Landsat 影像。2015 年以前没有 Sentinel-2,所以 2010 年和 2002 年用 Landsat-5。凤凰城最早可用的是 2004 年,不是 2002 年。华盛顿特区最早从 2010 年起有数据,因此 2002 年那一格只用都会区里另外三个州的流量来算,不含特区。

正文说十城 CPC 都高于 0.67。表 2 里最低就是 0.67,出现在迈阿密 2010 年、休斯敦 2002 年和迈阿密 2002 年。高于 0.67 这句话略强于表格:表格是不低于 0.67。

纽约 2020 年的 RMSE 是 13.44、CPC 是 0.83。同一套权重读 2010 年影像,RMSE 21.02、MAE 10.78、CPC 0.75;读 2002 年影像,RMSE 22.72、MAE 11.38、CPC 0.73。21.02 比 13.44 高 7.58,约 56%;22.72 约高 69%。分母是 2020 年纽约模型的 RMSE。分子是另一个年份、另一批通勤联系上的误差,不是同一批 OD 对测了两次。

其余城市 2010 年的 CPC 是:洛杉矶 0.77,芝加哥 0.70,达拉斯 0.73,休斯敦 0.72,华盛顿 0.68,费城 0.74,迈阿密 0.67,亚特兰大 0.75,凤凰城 0.75。2002 年(凤凰城为 2004 年)是:洛杉矶 0.75,芝加哥 0.69,达拉斯 0.69,休斯敦 0.67,华盛顿 0.69,费城 0.71,迈阿密 0.67,亚特兰大 0.73,凤凰城 0.73。

建筑变密、道路变多、建成区外扩,这类慢变化能被影像带着走。模型没有预测某一周的通勤,也没有用上一次流量当输入。短周期波动、罢工或新开通线路的头几个月,不在这个实验里。

这些数停在哪里

市内的 0.80 到 0.84,是在美国十个最大都会区、普查区尺度、至少 10 名通勤者的家—工作联系上,用五折铺满后得到的流量叠合。它不包含被删掉的小联系,也不证明模型知道哪些配对本来就没有人通勤。

图像编码器不看流量,流量解码器看过训练起点的流量。换城时,双线性权重是直接拿去用的;LGBM 解码器按正文会重新训练,正文没有写明当地样本的用量。两种迁移不能写成同一种零样本能力。

形态分析是十个都会区的相关。紧凑、多中心和 λ 的方向,论文给了解释,也给了和旧研究相反的理由,没有做改变城市形状后的对照。误差地图里的年龄和收入差异,是事后对照,不是模型输入。

土地覆盖是 2020 年,土地利用是 2015 年。影像季节在同一都会区内可能不一致。实验只在美国大型都会区。论文把下一步放在遥感和社会感知的融合,以及其他国家、其他尺度,这些实验还没有做。

一句话总结

在同一座美国大都会里,10 米或 30 米卫星图加上普查区邻接,可以把调查中至少 10 名通勤者的家—工作联系估到 CPC 约 0.80–0.84;换到地表和形态不像的城市,或者拿它去填调查里根本没有的联系,这个数就不成立。

核心来源

  • Nature Communications 论文页面,核对题目、作者、2025 年卷期与收稿、接收信息。正文图 1–6、表 1–2 均出自该文。
  • 通勤流量来自美国人口普查局 LODES,普查区边界来自 TIGER,影像为 Sentinel-2、Landsat-8 与 Landsat-5,驾驶距离由 OSRM 计算,土地覆盖为 2020 年 NLCD,土地利用为 2015 年 HISDAC-US。
  • Imagery2Flow 代码,论文实验版本见 Zenodo:10.5281/zenodo.17156793。

作者介绍

  • Yichen Xu:第一作者,署名浙江大学地球科学学院。威斯康星大学麦迪逊分校 GeoDS 实验室页面介绍他为浙江大学博士生、该实验室访问学生,本科毕业于浙江大学,研究兴趣是地理人工智能和时空数据挖掘。论文中负责收集数据、建立模型并完成实验。
  • Song Gao:通讯作者,威斯康星大学麦迪逊分校地理系教授,GeoDS 实验室负责人。实验室页面列出的方向包括地理人工智能、人类移动性和空间网络。与 Feng Zhang 共同指导本研究。
  • Qunying Huang:威斯康星大学麦迪逊分校地理系教授,空间计算与数据挖掘实验室主任。参与结果解释和写作。
  • Aslıgül Göçmen:署名威斯康星大学麦迪逊分校地理系。地理系人员页写明为副教授,并列在地理系与 Nelson Institute for Environmental Studies。参与结果解释和写作。
  • Qiang Zhu:署名浙江大学计算机科学与技术学院。参与结果解释和写作。
  • Feng Zhang:通讯作者,署名浙江大学地球科学学院,以及自然资源部时空信息与智能服务重点实验室。与 Song Gao 共同指导本研究。

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。

若一个没有通勤调查的城市只在卫星图上像休斯敦,图 5a 里达拉斯到休斯敦的 CPC 是 0.68,分母仍是两边人流量之和。0.68 不是 68% 的普查区对被猜中。用这个输出去决定一条轨道的站距之前,还要单独看最大的几条联系,因为图 2f 里大于 100 人时,LGBM 的平均 CPC 只到正文所说的 0.6,而且各起点的标准差很大。

另一个容易误用的地方是年龄。模型没有年龄输入,却在中位年龄大于 55 岁的地区高估通勤。若把高估当成实际需求,去增开服务或调整班次,会把图像看错功能的误差写成规划依据。先在当地用一小部分调查核对高估集中在哪类用地,比直接采纳全图更符合这篇论文已经暴露的残差。

时间上的 0.67 也有边界。纽约 RMSE 从 2020 年的 13.44 增到 2002 年的 22.72,增加的是另一个年份整套联系上的均方根误差。建成区十年的缓慢扩张可以被影像看见;一次限行、一条新线开通后的第一个月,卫星图不会跟着改。需要周尺度流量时,这篇模型的输入里没有那一周。


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