2025-FloGAN: Scenario-Based Urban Mobility Flow Generation via Conditional GANs and Dynamic Region Decoupling


未来情景下的城市出行流量,现在就能生成吗?

论文名片|Seanglidet Yean、Jiazu Zhou、Bu-Sung Lee、Markus Schläpfer,FloGAN: Scenario-Based Urban Mobility Flow Generation via Conditional GANs and Dynamic Region Decoupling,arXiv:2507.12053v1 [cs.LG],2025年7月16日。预印本 v1。这是一篇方法论文:用条件生成对抗网络,按关注区域生成城市起讫流量。

设想规划者想先看淡滨尼多一片商业、或只把裕廊东画细、岛上其余地方画粗之后,早晨会有多少人从一块地方到另一块地方。这个情景只帮助想象问题,不是论文中的真实案例。常见办法是套一个重力公式,或者等新的出行记录重新标定。重力模型和个体行为模型都要靠历史数据校准;辐射模型在城市内部的细尺度上又往往不够用。历史轨迹生成模型则不容易把用地和人口密度的变化放进去。

这篇论文把生成对象收成情景下的人群起讫流量:历史流量与一张可切换的关注区地图一起交给条件生成网络。在新加坡 2019 年 9 月已经发生的出行上,按六张关注区地图生成的流量,重合程度平均高于无条件生成模型和重力模型。最大流量仍被成倍高估。实验切换的是同一历史月份里的关注范围,还不是一块尚未发生的新用地。

先说结论

  • 比较的是格子之间的出行量,不是一个人的路线。匿名手机记录汇总之后,30 天、6 个时段、6 张动态地图,共 1,080 个起讫矩阵;汇总前有 104,976 名活跃用户的到访序列。
  • 关注区用 1.5 公里见方的格子,周围用 3 公里,最外层用 12 公里见方的格子;格子总数不超过 64,以便对齐生成网络常见的 64×64 输入。进入网络前,出行量 x 先变成 ln(1+x)。
  • 共同部分系数 CPC 在 0 到 1 之间,衡量起讫对上生成流量与真实流量的重合。表 II 中 FloGAN 在六张地图上都最高,六个数的平均是 0.8619,对照 MoGAN 的 0.40975 和重力模型的 0.3923。
  • 表 I 里,真实流量最大值为 84,480,平均值为 29.28。FloGAN 的平均值 28.62 最接近,最大值却是 442,412.39,约为真实最大值的 5.24 倍(442,412.39÷84,480)。论文写出重力模型的最大值高估倍数为 2.84。
  • 图像指标并不在每张地图上给出同一个名次。结构相似度上,重力模型在淡滨尼 2 略好于 FloGAN。感知相似度 LPIPS 上,淡滨尼 2 的 FloGAN 落到 0.3–0.4;这个指标从 0 到 1,越接近 0 越相似。实验里送进网络的条件是地图名称。

要生成的是两片地方之间的人流

城市里的人怎么移动,会跟着用地和人口密度一起变。交通网络、拥堵和设施够不够用,都要看一群人从哪里到哪里,而不只是看一个人的下一条轨迹。这篇论文生成的是起讫流量(origin–destination flow,OD flow):从格子 i 到格子 j 有多少次出行。矩阵里的一个数是人群合计,不能读回某一部手机的行程。

数据来自 CITYDATA.ai 提供的新加坡匿名手机记录,时间是 2019 年 9 月 1 日至 30 日,共 30 天。论文写明,记录经过另一项工作中的预处理后,得到 104,976 名活跃用户的到访序列,也就是带时间的地点访问次序。到访点如何从原始记录里确定,这篇正文没有展开。随后这些记录按空间和时段加总。104,976 是加总前的用户数,不是 CPC 或图像指标的分母。

空间上有六张动态地图,每张把细格子放在不同的关注区:裕廊东(Jurong East,JE)、市中心(Downtown,DT)、榜鹅(Punggol,PG),以及淡滨尼(Tampines)里的三个子区 TM0、TM1、TM2。模型的条件输入就是这些地图的名称。

时段按新加坡已有出行节奏切成六段:早晨出行 5:00–8:00,上午 8:00–11:00,午间 11:00–14:00,下午 14:00–17:00,傍晚 17:00–20:00,夜间 20:00–次日 5:00。前五段各 3 小时,夜间跨午夜,窗口是 9 小时。论文没有把计数除以小时数。因此夜间矩阵里的出行量对应更长的时间,不能直接当成与早晨同一长度的出行率。

每一天、每一段、每一张动态地图各有一个起讫矩阵。30×6×6=1,080,这 1,080 是矩阵个数。结果解释的是这些矩阵所代表的跨格子人群流量。格子内部的移动、以及没有进入这 30 天样本的出行,都不在比较之内。

为什么不能把全城切成同样细的格子?

生成对抗网络通常要固定尺寸的输入,常见是 64×64 的图像;若再把图像切成一样大的格子,关注区和非关注区就只能共用一种粗细。全城都用 1.5 公里,格子数会超过这个输入;全城都用很粗的格子,关注区里的差异又会被抹平。起讫流量还会连接远处的格子,把城市切成互不相连的几块再分别生成,会把跨区出行切断。

动态区域解耦(dynamic region decoupling)要解决的就是这组矛盾:仍然用一张矩阵覆盖整片范围,但格子大小随关注区改变。论文按试验把格子分成三档,边长分别为 1.5 公里、3 公里和 12 公里,并规定活跃格子数 n 不超过 nmax=64。关注区用 1.5 公里格子,周围用 3 公里格子,最外层用 12 公里见方的格子。活跃格子少于模型所需时,矩阵用 0 补齐。每个格子对上的数,是这一对格子之间的出行量。

完整原论文图2

图 2|一张可调粗细的地图,怎样变成起讫矩阵?

无字母子图,按图中的三步阅读。(1)先画动态网格:关注处格子更密,外围更疏,范围可以由使用者指定。(2)再数格子之间的出行,示意里用一小块编号网格表示起讫关系。(3)把这些出行写成邻接矩阵,行和列对应起点与终点。图中的小数字是示意,不是新加坡的实测流量。来源:原论文 Fig. 2。

出行量的分布很偏,少数格子对特别大,多数很小。直接把原始计数画成像素时,小流量几乎看不见。论文因此做自然对数变换:

Norm(x) = ln(1+x)

x 是邻接矩阵中的出行量。加 1 是为了让 0 也能取对数。这不是把流量变成概率,也不改变后来要回答的问题:生成结果仍要和真实的人群出行量比较。对数只是让中低流量在图像表示里保留下来。

完整原论文图3

图 3|同一批起讫流量,取对数之前和之后看起来差在哪里?

(a)新加坡地图上的动态网格和由此得到的起讫线,颜色表示流量,色标最高标到 400,000。这是该图的颜色上限,不能当成表 I 的最大流量。(b)未取对数的邻接矩阵,横轴终点、纵轴起点,色标同样标到 400,000;画面几乎全暗,只有极少数格子较亮。(c)取 ln(1+x) 之后,色标标到 12,更多中低流量的格子能够看见。图中色标和线条都不是表 I 那个最大值 84,480 的逐条清单。来源:原论文 Fig. 3。

网络的条件,是地图名称还是未来用地?

FloGAN 由三部分组成。编码器把到访序列汇总成动态地图上的起讫矩阵。条件编码把辅助信息送进生成过程,用来控制生成结果的特征;论文举例包括时段和用地情景。生成器则是选定的生成对抗网络。摘要把动态区域大小和用地原型都列为可调节因素。实验部分写明送进网络的条件,是六张动态地图的名称。用地差异出现在结果解释里,正文没有给出各类用地的比例,也没有把一张改变后的用地图编码成输入。时段用来把同一天切成六张矩阵,正文没有写时段编号也作为条件输入。

完整原论文图1

图 1|关注区标签如何进入流量生成?

无字母子图。上方三列示例是裕廊东 JE、市中心 DT 和榜鹅 PG,实验实际还有淡滨尼的三张子区地图。每一列上面是动态网格上的流量线,下面是对应的邻接矩阵。标签与矩阵进入生成器;生成器同时接收噪声 Z 和条件 C,并与真实矩阵一起训练判别器,由判别器判断真假。下方把生成矩阵译回地图上的流量。图中只展示三张地图的流程,不能看成六张地图的精度排名。来源:原论文 Fig. 1。

若每张动态地图单独训练一个网络,数据被拆开,也学不到各图共用的结构。条件生成对抗网络(conditional GAN,cGAN)共用一套参数,再用辅助输入区分该生成哪一张地图。论文在 MoGAN 所用的深度卷积生成对抗网络上加入这个条件。变分自编码器和扩散模型也能生成复杂分布,但前者把条件藏进潜空间,后者要多步采样。这里选择 cGAN,是为了单次生成,并把邻接矩阵当图像来处理。

完整原论文图4

图 4|条件和流量矩阵在网络里怎样拼到一起?

无字母子图。上半是生成器:一维条件先嵌入,再变成 1×4×4 的特征图;起讫矩阵变成 127×4×4。二者沿通道拼成 128×4×4;若没有条件,流量矩阵会被放到 128×4×4。随后的卷积块输出 1×64×64 的邻接图。下半是判别器:真实或生成的 1×64×64 图像,与同样变成 1×64×64 的条件拼成 2×64×64,最后得到 0 到 1 之间的真假分数。图中还有各卷积块的形状,正文明确给出的是上述拼接尺寸。来源:原论文 Fig. 4。

这套尺寸说明,条件只占拼接后 128 个通道中的 1 个。它能告诉网络当前是哪一张关注区地图,并不能单独携带一块新用地上有多少商店或住宅。论文后文把更细的用地信息留作后续工作。

和谁比,比的是重合,还是像素?

对照有两个。MoGAN 是为合成移动流量设计的生成对抗网络,原先用于纽约和芝加哥的自行车与出租汽车流量;在这里它不接收地图条件,而是在全部邻接矩阵上一起训练,输出会朝全体训练分布的平均靠。重力模型(也称引力模型)把两地流量写成与两端质量的乘积成正比、并随距离下降,论文举例质量可以是人口或活动水平,距离可以是幂律。但正文没有写明这次拟合用的质量到底是人口、出行量还是别的量,也没有给出估出的距离指数。重力模型按所选动态地图的一份随机训练样本来做,因此它能随地图改变;那份样本有多大,正文没有写。

评价分三层。校验和看生成流量的最大值和平均值,用来检查数值是否还落在说得通的范围。因为矩阵可以看成灰度图,论文使用峰值信噪比 PSNR、结构相似性 SSIM,并在方法里列出弗雷歇起始距离 FID。结果图实际画出的是 PSNR、SSIM 和学习感知图像块相似度 LPIPS,不是 FID。CPC 则回到交通研究常用的口径:每条起讫对上,生成出行量与真实出行量有多少重合,0 是对不上,1 是完全一致。正文没有写出 CPC 的计算公式。

数据 最大值 平均值
真实流量 84,480 29.28
FloGAN 442,412.39 28.62
MoGAN 1,202,603.28 54.76
重力模型 240,095.27 13.62

表 I 的最大值是极端格子有多高,平均值是流量的平均水平。论文没有说明平均是对全部格子(含补上的 0)计算,还是只对有出行的起讫对计算。补零会把平均值拉低,所以 29.28 不能直接读成典型一条起讫链路有 29 次出行。三个模型的最大值都带小数,比较的是模型输出的流量数值,不是清点得到的整数人次。

所有模型都高估极端值。论文给出重力模型的高估倍数为 2.84,对应 240,095.27÷84,480。FloGAN 的最大值约为真实最大值的 5.24 倍(442,412.39÷84,480),MoGAN 约为 14.24 倍(1,202,603.28÷84,480);这两个倍数是由表中两行相除,不是论文另给的指标。平均值上,FloGAN 的 28.62 与真实 29.28 相差 0.66,重力模型低 15.66,MoGAN 高 25.48。这三处都是与表 I 真实平均值相减,不是相对误差的百分比。因此 FloGAN 更接近整体水平,并不等于它更接近最大的那几条流量。论文把极端值难拟合归因于历史数据里这类事件少,这是解释,不是单独的因果检验。

完整原论文图5

图 5|按图像来看,三套流量谁更接近真实矩阵?

(A)峰值信噪比,单位是分贝,越高表示像素级流量差异越小。三列分别是 FloGAN、MoGAN 和重力模型,颜色是六张动态地图;三列横轴刻度不同,不能把峰的左右位置当成同一把尺子上的高低。FloGAN 的最低值高于 MoGAN 的最低值,与重力模型则按地图大体相当。(B)结构相似性,越接近 1 越相似;图注写明理论范围是 −1 到 1,核密度平滑可能画出这个范围之外的估计。论文写 MoGAN 大约落在 0.5–0.95,FloGAN 从约 0.6 起更好,并在几乎所有地图上优于重力模型;淡滨尼 2 是重力模型略好的例外。(C)VGG 特征上的感知相似度,范围 0 到 1,越接近 0 越相似。MoGAN 铺在整个 0 到 1;FloGAN 与重力模型整体更低。淡滨尼 2 上 FloGAN 落到 0.3–0.4,重力模型更好;裕廊东上 FloGAN 更好。来源:原论文 Fig. 5。

这些图像指标比较的是矩阵作为图像有多像。它们不是某条起讫链少算了多少人,也没有在正文里写成独立测试集上的误差。PSNR 更敏感于每个格子的数值差,SSIM 和 LPIPS 更敏感于结构。一张图在结构上接近,仍可以在最大流量上差好几倍,表 I 已经表现出这种分裂。

六张地图的重合都更高,说明了什么?

动态地图 FloGAN MoGAN 重力模型
裕廊东 JE 0.7381 0.5260 0.2279
市中心 DT 0.8139 0.2959 0.5118
榜鹅 PG 0.9292 0.2567 0.2824
淡滨尼 TM0 0.8741 0.4141 0.4832
淡滨尼 TM1 0.9281 0.4398 0.4533
淡滨尼 TM2 0.8884 0.5260 0.3957
平均 0.8619 0.40975 0.3923

表 II 为每张动态地图各报告一个 CPC,最后一行是这六个数的平均。FloGAN 六张都高于另外两列。它自己的六个数里,最低是裕廊东 0.7381,最高是榜鹅 0.9292。重力模型并不是每张都低于 MoGAN:市中心重力模型 0.5118,高于 MoGAN 的 0.2959;裕廊东则是重力模型最低,只有 0.2279。平均之后,FloGAN 比 MoGAN 高 0.45215(0.8619−0.40975),比重力模型高 0.4696(0.8619−0.3923)。这两个差仍是 0 到 1 的重合系数之差,分母是六张地图各自的 CPC,不是出行人次。

和图像指标合在一起看,名次会变。淡滨尼 2 的 CPC 仍是 FloGAN 更高(0.8884,对照重力模型 0.3957),但 SSIM 上重力模型略好,LPIPS 上也是重力模型更接近。榜鹅的 CPC 最高,不能因此说它在每一种图像指标上都同样领先。论文把裕廊东写成居住、商业和商务活动集中、因而流量最复杂的地方,把市中心写成商业与商务功能集中;淡滨尼 2 与相邻的 TM0 同为居住导向。这是对地图差异的说明,正文没有给出各类用地的面积比例。

还有三项边界直接限制这些数字能说到哪里。第一,正文没有报告训练日和留出日如何划分,也没有报告 FID 的数值、训练轮数或学习率。重力模型使用的随机训练样本没有样本量。因此表 II 的优势是这批新加坡矩阵上的报告结果,不能当成下一个月或另一座城市已经得到同样的 0.8619。第二,方法部分说预训练模型可以在数秒内生成,结果部分没有给出计时实验,秒数还不是测量值。第三,贡献里写需要的校准数据相对少、不必手写复杂行为模型;实验仍然使用了这 30 天的历史流量,并没有展示在完全没有历史起讫矩阵时如何生成。

一句话总结

按关注区生成的人群起讫流量,可以在同一历史月份里比无条件生成和重力模型更重合,但极端流量仍被高估,而且还没有在一块尚未发生的用地变化上得到检验。

核心来源

  • arXiv:2507.12053v1,2025年7月16日预印本。正文图 1–5 与表 I、表 II 都出自这一版。
  • 数据在论文中引自 CITYDATA.ai 的新加坡匿名手机记录,以及作者此前对电动汽车充电需求的手机数据处理。原始个人记录不在这篇正文里。
  • 对照方法来自论文引用的 MoGAN,以及 Barbosa 等人综述中的重力模型与 CPC 用法。本文只采用这篇正文实际报告的比较。

作者介绍

四位作者的身份以论文署名为准。星号、剑号和双剑号分别对应文中的三处机构。

  • Seanglidet Yean:署名 Future Cities Laboratory Global、Singapore-ETH Centre。除本篇外,论文参考文献中还有一项与 Zhou、Lee、Schläpfer 共同署名的工作,用手机数据估计电动汽车充电需求。
  • Jiazu Zhou:同一实验室署名。在上述充电需求文献的作者顺序中,Zhou 列在首位。
  • Bu-Sung Lee:署名南洋理工大学计算与数据科学学院。论文参考文献中,他参与上述手机数据研究,并与 Schläpfer 共同署名一项用高斯过程讨论移动流量预测不确定性的工作。
  • Markus Schläpfer:署名哥伦比亚大学土木与工程力学系。本篇参考文献中,他还出现在人类移动到访规律、法国城市空间使用效率,以及流量预测不确定性这几项工作的作者名单里。

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。

若生成结果要进入设施或道路容量的讨论,右尾需要单独过关。表 I 里整体平均几乎对齐,最大格子却可以是真实最大值的数倍;表 II 的平均 CPC 是 0.8619,只说明六张地图上的重合系数较高。按最大格子去配公交或充电容量,会把少数被高估的格子放得过大。一个后续实验可以把损失分成两部分:大部分格子继续看重合,最大的若干格子单独限制不能超过真实最大值的某个倍数。

另一项检验是把条件从地图名称换成真正改变的量。例如只增加某一类用地的比重,或把关注区人口提高一档,再看生成流量是否沿重力模型也会预期的方向变化,并在改变之后的独立月份里核对。同一月份内切换六张关注区,回答的是分辨率开关能否被学会;用地情景是否改变人流,要有一次用地输入不同、出行结果也随之不同的对照。夜间 9 小时和其余 3 小时的窗口也不应直接比总量,按时长换算之后,时段之间的高低顺序可能改变。


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