2026-Fusing Urban Structure and Semantics: A Conditional Diffusion Model for Cross-City OD Matrix Generation


一座没有通勤表的城市,能不能只凭区域功能和空间结构生成出发地—目的地矩阵?

论文名片|Bin Chen、Zhuoya Meng、Fang Yang、Runkang Guo、Jingtao Ding、Yin Zhang、Chuan Ai、Zhengqiu Zhu,Fusing Urban Structure and Semantics: A Conditional Diffusion Model for Cross-City OD Matrix Generation,arXiv 预印本,2026年5月1日,arXiv:2605.00938v1。arXiv:2605.00938。本文依据这一版预印本解读。PDF 首页和文末没有印出 DOI。研究类型是跨城市的通勤出发地—目的地矩阵生成。

设想一座美国城市已经划好区域。每个区域有人口和兴趣点,也能知道哪些区域接壤、质心之间的直线距离有多远,只是没有居住地到工作地的人数表。规划仍然想填出这张表:从哪一片出发,到哪一片上班,各有多少人。

引力模型会把这个问题写成两端规模越大、距离越近,流量越大。城市之间的人口、用地和通勤组织并不相似,在一座城市里贴合的公式或网络,换到另一座城市常常对不齐。这篇论文同时强调另一件反复出现的事:语义可以很不一样,距离衰减和相邻区域之间更高的流量却比较稳定。SEDAN 是一个以带属性节点为条件、并加强空间结构的扩散模型(Structure-Enhanced Diffusion model conditioned on Attributed Nodes)。它用人口和兴趣点表示潜在通勤需求,把邻接和距离放进生成过程,作为显式的空间约束。

在论文使用的美国通勤数据上,SEDAN 相对较强的扩散基线 WEDAN,流量重叠和均方根误差更好,流入、流出和流量分布也更接近记录;按真实矩阵波动归一化之后的误差略高。这些数字描述的是区域对上的生成结果。它们还没有证明某个人为什么选择某个工作地,也还没有覆盖美国以外的城市。

先说结论

  • 相对 WEDAN,城市平均的通勤者重叠指标 CPC 从 0.59 到 0.61。以 0.59 为分母,相对提高 3.39%,绝对差是 0.02。均方根误差 RMSE 从 68.60 降到 63.54,相对下降 7.38%。流入、流出和 OD 流量的詹森–香农散度 JSD 从 0.29、0.27、0.15 降到 0.26、0.21、0.11,相对下降 10.34%、22.22% 和 26.67%。归一化均方根误差 NRMSE 从 0.88 升到 0.93。表中是五次独立实验的平均,没有给出标准差。
  • 只测试小城市时,SEDAN 的流入 JSD 是 0.35,WEDAN 是 0.34。把中等城市和大型城市逐步加进测试后,高异质一组里 SEDAN 的 RMSE 是 63.47,WEDAN 是 72.96。这三组是不同的城市组合,不是同一批城市前后比较。
  • 综合结构分类下的多中心城市,SEDAN 的 CPC 比 WEDAN 高 13.9%,RMSE 从 86.90 降到 38.03,OD 流量 JSD 从 0.146 降到 0.114。按 OD 流量划分结构时,单中心城市的 CPC 提高 8.0%,多中心提高 12.0%,正文没有给出这两组的绝对 CPC。人口分类下的均匀城市,CPC 略降,降幅没有写出。
  • 在消融图内部,邻接和距离一起去掉后,CPC 为 0.41,RMSE 为 81.02;同一张图上的完整模型是 0.62 和 63.40。去掉兴趣点后,RMSE 从 63.40 升到 75.29。去掉扩散后,RMSE 只升到 65.19,流入 JSD 从 0.26 升到 0.29。
  • 全数据中,距离与对数流量的相关为 −0.47。相邻区域对的平均流量是 80.00,非相邻区域对是 36.28。前者约为后者的 2.21 倍。这是每一对区域的平均强度。论文没有给出相邻对占全部区域对的比例,因此不能把这个倍数读成总通勤人数的份额。

要填的是哪一张表?

这里的出发地—目的地矩阵(origin–destination matrix,OD 矩阵)记录区域之间的通勤人数。一行是出发区域,一列是到达区域,格子里是人数。分析单位是区域对,不是一次个人出行,也不是一个人的全天行程。

数据来自论文所称的 LargeCommuingOD,对应 Rong、Ding、Liu 与 Li 在 ICLR 2025 发表的通勤 OD 生成基准。论文写它覆盖美国 3233 个空间单元,单元类型包括县和普查区。区域特征来自美国社区调查(American Community Survey,ACS)、雇主—雇员纵向动态数据(Longitudinal Employer-Household Dynamics,LODES)和 OpenStreetMap。ACS 提供 97 个人口与社会经济指标。LODES 提供 2018 年居住地到工作地的通勤量,依据是雇主与雇员关系在区域上的汇总。距离矩阵用区域质心计算欧氏距离,也就是地图上的直线距离,不是沿路里程、时间或费用。邻接矩阵由地理边界是否相接决定:相接为 1,否则为 0。

论文没有写城市一共有多少座,也没有写同一座城市内部会不会混用县和普查区。后文的小城市、中等城市和大型城市,按区域个数划分,分别是 0–10、11–50 和 51–100 个区域。

任务定义是跨城市生成。来源城市有观测到的通勤矩阵和城市特征;目标城市在生成时不提供自己的通勤矩阵,只提供区域特征、距离和邻接。模型要从噪声里生成整张矩阵。论文把数据按 8:1:1 分成训练、验证和测试,指标先在城市内的区域对上计算,再对城市取平均。它没有写明这个划分是整座城市留出,还是把同一座城市里的区域对拆开。问题定义写的是未见城市;划分句子本身没有再证实这一点。下文把结果理解为跨城市生成,依据的是问题定义。测试城市的座数,正文没有单独列出。平均时有没有按区域数或总流量给大城市加权,也没有写明。

每次实验独立重复 5 次,报告平均值。SEDAN、DiffODGen 和 WEDAN 各自做 10 次随机采样,用样本均值作为最终输出。

城市可以很不一样,空间上还有什么是反复出现的?

若每座城市的通勤都只由本地语义决定,把邻接和距离单独做成约束就缺少理由。论文先在全部城市的 OD 数据上检查两件空间规律。

距离和对数流量的相关,表 A.6 记为 −0.47,正文一处写作 −0.472。相关为负,表示距离变远时,对数流量整体变低。这是全部纳入统计的区域对上的相关,不是某一座城市、某一个人的衰减指数。图 9 把平均 OD 流量画成距离的函数。横轴刻度标到 50000,纵轴是平均 OD 流量。曲线随距离下降。图上没有印出每个点的流量,也没有写出距离单位,所以这里不把曲线上的某一点读成精确人数或公里数。

完整原论文图1

图 1|平均通勤流量是否随距离下降?

无字母子图。横轴为距离,刻度标到 50000,单位未在图中写出;纵轴为平均 OD 流量。曲线随距离下降,和表 A.6 的负相关方向一致。图上没有逐点数值,不能从曲线读出某个距离上的精确人数。来源:原论文 Fig. A.9。

相邻与否的差别写在表 A.6 里。相邻区域对的平均流量是 80.00,非相邻区域对是 36.28,前者约为后者的 2.21 倍,分母是非相邻区域对的平均流量。相邻区域对的非零率为 96.79%,非相邻为 88.31%。平均流量和非零率分列,论文没有写明平均流量是否先去掉了零流量对。

图 10 把流量分成四档:0、低(1–3)、中(4–10)、高(11 及以上)。分母是该组内部的区域对。相邻组里,高流量占 72.09%,零流量占 5.10%,低流量 8.01%,中流量 14.81%,四档相加为 100.01%,差在四舍五入。非相邻组里,零流量 27.03%,低流量 28.19%,中流量 23.88%,高流量 20.90%。

这张图和表 A.6 不能直接换算。表中相邻非零率 96.79%,对应的零流量份额约为 3.21%,图上的零流量柱却是 5.10%。非相邻非零率 88.31% 对应的零流量份额约为 11.69%,图上是 27.03%。论文没有解释两套分母为何不同。后面只用各自写明的口径,不把 5.10% 当成 96.79% 的余数。

还有一个更容易读过头的地方。72.09% 是相邻区域对里的高流量比例,不是全部通勤人数里有 72.09% 发生在相邻区域。相邻对通常比非相邻对少得多。总人数等于平均流量乘以区域对数量。论文没有给出相邻对占全部区域对的比例,因此平均流量更高,仍然可能只占通勤总人数的一部分。

完整原论文图2

图 2|相邻区域对是不是更常出现高流量?

(a)相邻区域对:零流量 5.10%,低流量 8.01%,中流量 14.81%,高流量(11 及以上)72.09%。分母是相邻区域对。(b)非相邻区域对:四档依次为 27.03%、28.19%、23.88%、20.90%,分母是非相邻区域对。纵轴是组内比例。它不表示通勤总人数的份额,也和表 A.6 的非零率不是同一口径。来源:原论文 Fig. A.10。

这两项规律给模型一个可以跨城市使用的约束:近处和相邻处的流量通常更强。城市特有的人口和设施,则用来决定需求落在哪些功能之间。SEDAN 把这两类信息分开送进生成过程。

语义和空间在生成时各进哪一步?

一座城市被写成有向加权图。节点是区域,边是通勤方向,边权是人数。城市上下文有三块:节点特征、距离矩阵、邻接矩阵。节点特征分成人口和兴趣点。论文没有写出兴趣点一共有多少类,只在后文给出解释分析里排序靠前的类别。

完整原论文图3

图 3|生成一张通勤矩阵之前,城市被表示成什么?

(a)城市上下文:兴趣点以医疗、教育示意,人口以女性和男性示意,下面是距离矩阵和邻接矩阵。(b)有向加权通勤图:节点是城市区域,箭头是通勤方向。这是任务示意,不是某一座真实城市的流量。来源:原论文 Fig. 1。

扩散分两段。前向过程给每条边的流量独立加上高斯噪声,噪声强度由日程 βₜ 控制,步数增加后矩阵趋近标准正态分布。反向过程一次还原整张矩阵,条件是目标城市的上下文。网络预测的是这一步混入的噪声,训练损失是预测噪声和实际噪声的均方误差。这样比较的是“当前这张带噪声的矩阵里,噪声长什么样”,不是直接比较两座城市的总人口。

完整原论文图4

图 4|通勤图怎样被噪声打散,再被条件还原?

无字母子图。从左到右,清晰的通勤图逐步变成带噪声的图。中间标出前向加噪 q(Fᵗ | Fᵗ⁻¹) 和反向去噪 pθ(Fᵗ⁻¹ | Fᵗ)。蓝色建筑表示城市区域,黑色箭头表示通勤流,灰色箭头表示带噪声的流。来源:原论文 Fig. 2。

流量数值很不均衡。论文在训练时使用 log(流量 + 1),生成后再做指数并减 1,把长尾大流量拉回更容易训练的范围。评价指标写在原始通勤人数上。表 2 里引力模型的 RMSE 达到 174.00,和 SEDAN 的 63.54 放在同一张表,说明比较的是人数尺度上的误差。

去噪网络接收区域特征、当前的噪声矩阵、邻接和距离。区域特征和噪声矩阵先各自经过多层感知机,变成节点表示和边表示。邻接和距离各自做一次线性映射。

注意力分数有两项。第一项是节点特征之间的普通注意力,用来表示区域功能之间的相互需求。第二项把邻接先验送进边表示,让地理上相邻的区域更容易得到更大的注意力。节点表示按相连邻居聚合。距离先验加到更新后的边表示上,用来保持远近关系。堆叠若干层之后,全连接层输出每条边上的噪声。默认结构是四层图变换器,每层 32 个隐藏单元。

完整原论文图5

图 5|人口、兴趣点、邻接和距离在网络里从哪里进入?

(a)城市特征嵌入:区域特征和噪声 OD 分别经多层感知机变成节点表示 H 与边表示 E;邻接和距离经线性层进入。(b)整体框架:嵌入之后经过堆叠的图变换器和全连接层,输出噪声。(c)图变换器一层之内同时更新节点和边;拓扑先验对应邻接,距离引导对应距离。颜色:区域特征为红,噪声 OD 为紫,距离为绿,邻接为橙。来源:原论文 Fig. 3。

公式把节点更新写成对相连邻居求和。后面的注意力案例却画出了较完整的区域对热图。论文没有说明那张案例里的图只连接相邻区域,还是所有区域两两都有边。读架构图时,可以把邻接理解成注意力上的结构偏置,把距离理解成边上的条件;不要默认每一个实现细节都已经由案例热图证明。

采样使用去噪扩散隐式模型(Denoising Diffusion Implicit Models,DDIM),用来减少逐步去噪的次数。训练采用 1000 步余弦噪声日程和 AdamW,学习率 1e-4。超参按验证集选择。附录计时另把 DDIM 采样步数设为 100,和训练用的 1000 步不是同一个数字。

相对谁,好了多少?

对照分四类,一共十个基线。物理模型是幂律衰减的引力模型 GM-P 和指数衰减的 GM-E。统计学习是支持向量回归 SVR、随机森林、梯度提升树和深度引力模型 DGM。逐对预测是 GMEL,它用图网络学习区域表示,再一对一对地预测。整张矩阵一起生成的有 NetGAN、级联扩散模型 DiffODGen,以及 WEDAN。WEDAN 也是扩散模型,输入包含人口、兴趣点和距离。SEDAN 在此之外把邻接一并作为结构约束。论文的表 1 还标明,这些模型都不建模时间。

四个指标各有自己的分母。

RMSE 先在一座城市里,对区域对上的人数误差平方取平均,再开方。分母是该矩阵的元素个数。然后对城市取平均。63.54 的对照是 WEDAN 的 68.60,单位与通勤人数相同,不是某座城市的通勤总人数。

NRMSE 用这个 RMSE 除以真实矩阵相对自身均值的均方根偏离。分母是真实流量的起伏,不是平均流量。NRMSE 变高,表示误差相对于真实矩阵的起伏变大。

CPC 等于两倍的“每个区域对上真实人数与生成人数的较小值之和”,再除以“真实人数之和加生成人数之和”。它衡量两张表重叠多少,范围在 0 到 1。SEDAN 的 0.61 相对 WEDAN 的 0.59,绝对差是 0.02;论文所说的提高 3.39%,分母是 WEDAN 的 0.59。

JSD 把流入、流出和 OD 流量各自看成分布,衡量生成分布与记录分布的对称差异。流入是一个区域从其他区域收到的人数之和,流出是它发出的人数之和。JSD 越小越接近。它不是人数误差本身。流入 JSD 从 0.29 到 0.26,相对下降 10.34%,分母是 WEDAN 的 0.29。

模型 CPC↑ RMSE↓ NRMSE↓ 流入 JSD↓ 流出 JSD↓ OD 流量 JSD↓
GM-P 0.32 174.00 2.22 0.67 0.66 0.41
GM-E 0.33 162.90 2.08 0.65 0.64 0.42
SVR 0.42 95.40 1.22 0.42 0.56 0.41
随机森林 0.46 100.40 1.28 0.42 0.50 0.22
梯度提升树 0.46 91.00 1.62 0.42 0.49 0.23
DGM 0.43 92.90 1.19 0.47 0.56 0.23
GMEL 0.44 94.30 1.20 0.45 0.36 0.21
NetGAN 0.49 89.10 1.14 0.43 0.35 0.19
DiffODGen 0.53 74.60 0.95 0.32 0.27 0.15
WEDAN 0.59 68.60 0.88 0.29 0.27 0.15
SEDAN 0.61 63.54 0.93 0.26 0.21 0.11

表中数字来自原论文表 2,是五次实验的平均。SEDAN 在 CPC、RMSE 和三项 JSD 上最好。NRMSE 最好的是 WEDAN 的 0.88,SEDAN 为 0.93。作者认为 NRMSE 上升,是因为模型更强调大流量区域对。表 2 直接显示的是归一化误差变大;按流量分位拆开的误差表,论文没有给出。

从 GM-E 的 RMSE 162.90 到 SEDAN 的 63.54,下降幅度大于从 WEDAN 的 68.60 到 63.54。论文把 7.38% 作为相对当前强基线的改进。前一段更大的差距,混有模型家族、特征和训练目标的差别,不能单独记成“加上邻接”的效果。邻接、距离和扩散各自贡献多少,要看后面同一骨架下的消融。

整张矩阵一起生成的三个扩散或生成模型,CPC 为 0.49、0.53、0.59 和 SEDAN 的 0.61,高于逐对回归的 SVR、随机森林和 GMEL。这支持“一起学习整张表”在这套指标上更接近记录。它还不是把 SEDAN 改成逐对预测后的对照实验。

城市大小混在一起时,优势还在吗?

论文按区域数把城市分成小、中、大三档,再做三组嵌套测试。低异质只有小城市。中异质包含小城市和中等城市。高异质三种都有。比较对象是 WEDAN。

测试组合 指标 WEDAN SEDAN
低异质,只有小城市 CPC↑ 0.62 0.65
低异质,只有小城市 RMSE↓ 83.16 74.40
低异质,只有小城市 NRMSE↓ 1.03 0.96
低异质,只有小城市 流入 / 流出 / OD 流量 JSD↓ 0.34 / 0.29 / 0.15 0.35 / 0.24 / 0.13
中异质,小加中 CPC↑ 0.57 0.62
中异质,小加中 RMSE↓ 71.48 66.79
中异质,小加中 NRMSE↓ 1.04 0.97
中异质,小加中 流入 / 流出 / OD 流量 JSD↓ 0.30 / 0.26 / 0.13 0.28 / 0.23 / 0.11
高异质,三档都有 CPC↑ 0.59 0.62
高异质,三档都有 RMSE↓ 72.96 63.47
高异质,三档都有 NRMSE↓ 1.04 0.93
高异质,三档都有 流入 / 流出 / OD 流量 JSD↓ 0.31 / 0.26 / 0.14 0.26 / 0.22 / 0.11

同一组内部,SEDAN 的 CPC、RMSE 和 NRMSE 都好于 WEDAN。低异质的流入 JSD 是例外:SEDAN 0.35,WEDAN 0.34。作者认为小城市的空间结构有限,结构引导能发挥的余地较小。这个说法对得上“流入分布这一项略差”。它对不上“SEDAN 在小城市上整体更差”,因为 CPC 仍是 0.65 对 0.62,RMSE 仍是 74.40 对 83.16。

从低异质到中异质,两个模型的 RMSE 都下降。从中异质到高异质,WEDAN 的 RMSE 从 71.48 升到 72.96,SEDAN 从 66.79 降到 63.47。因为三组包含的城市类型不同,平均 RMSE 下降可以来自新加入的城市本来就更容易或更难,不一定是同一批城市被学得更好。高异质一组的 63.47 也和主表的 63.54 不完全相同,不宜当成同一次测试。

单中心、均匀和多中心,提升出现在哪里?

论文从人口分布、OD 流量、通勤距离三个视角描述城市结构,再合成一个综合分类。每个视角先把基尼系数、赫芬达尔指数等指标标准化,用主成分分析得到分数,加权后做 K 均值聚类,分成单中心、均匀和多中心。OD 流量和通勤距离还使用最大份额、最大中介中心性;人口视角还使用帕累托指数和首位度。这是为了比较模型而做的描述性分类。类别边界依赖这套指标和聚类,不是行政区划上的法定城市类型。

分类视角 单中心 均匀 多中心
人口分布 23.80% 34.39% 41.81%
OD 流量分布 29.00% 45.30% 25.70%
通勤距离 45.12% 24.15% 30.73%
综合分类 27.99% 30.73% 41.28%

四行各自相加为 100%。人口和 OD 流量上,均匀与多中心合计都超过一半。通勤距离上,单中心占 45.12%,是三种里最高的一类。同一批城市换一个视角,会进入不同类别。说多中心上提升更大时,要说明用的是哪一种分类。

按 OD 流量分类,相对 WEDAN,单中心城市的 CPC 提高 8.0%,多中心提高 12.0%。正文没有给出这两组 WEDAN 的绝对 CPC,因此这里只保留相对数。按距离分类,论文说 SEDAN 在 CPC 和 RMSE 上更好,没有给出分类型的绝对数。按人口分类,均匀城市的 CPC 略降,降幅未写;单中心和多中心仍然较好。作者把均匀城市的下降联系到缺少明确中心和主导通勤流。这是对结果的解释。均匀城市的绝对 CPC,正文没有列出。

综合分类把三种视角合在一起。多中心城市上,SEDAN 的 CPC 比 WEDAN 高 13.9%,RMSE 从 86.90 降到 38.03,OD 流量 JSD 从 0.146 降到 0.114。以 86.90 为分母,RMSE 下降 48.87,相对下降 56.2%。以 0.146 为分母,JSD 相对下降 21.9%。13.9% 的 CPC 提高没有配上绝对 CPC。这个降幅远大于主表里从 68.60 到 63.54 的全样本差距,只适用于综合分类下的多中心子集。

完整原论文图6

图 6|不同城市结构下,SEDAN 和 WEDAN 差在哪里?

(a)按 OD 流量分类,(b)按距离分类,(c)按人口分类,(d)综合分类。每组左边是精度雷达,右边是分布雷达。M、P、U 分别是单中心、多中心、均匀。橙色是 WEDAN,蓝色是 SEDAN。精度雷达上的 RMSE 已除以 100,读半径时要乘回 100。分布雷达的半径越大,JSD 越大。正文给出绝对数的是综合分类多中心:RMSE 86.90 对 38.03,OD 流量 JSD 0.146 对 0.114。雷达顶点没有逐一印出读数。来源:原论文 Fig. 4。

区域特征缺了一半,结构约束还能补上多少?

目标城市可能缺少细的兴趣点或人口指标。论文随机遮住 10%、30%、50% 的节点特征,再用该城市该特征的均值填上。这是随机缺失后的均值填补,不是某类设施整类消失。

遮挡比例 指标 WEDAN SEDAN
10% CPC↑ 0.56 0.61
10% RMSE↓ 72.37 64.69
10% NRMSE↓ 1.05 0.95
10% 流入 / 流出 / OD 流量 JSD↓ 0.33 / 0.28 / 0.16 0.31 / 0.22 / 0.12
30% CPC↑ 0.55 0.59
30% RMSE↓ 74.14 67.24
30% NRMSE↓ 1.14 0.98
30% 流入 / 流出 / OD 流量 JSD↓ 0.34 / 0.31 / 0.17 0.32 / 0.24 / 0.13
50% CPC↑ 0.53 0.56
50% RMSE↓ 76.19 69.45
50% NRMSE↓ 1.15 1.01
50% 流入 / 流出 / OD 流量 JSD↓ 0.37 / 0.32 / 0.19 0.33 / 0.27 / 0.14

遮挡加重后,两个模型都变差。50% 时 SEDAN 的 CPC 是 0.56,RMSE 是 69.45,OD 流量 JSD 是 0.14;WEDAN 是 0.53、76.19 和 0.19。以 WEDAN 的 76.19 为分母,RMSE 相对低 8.8%。论文写 SEDAN 的 CPC 在各遮挡比例下保持在 0.56 以上;表 5 在 50% 处的数值就是 0.56。

10% 遮挡时 SEDAN 的 CPC 也是 0.61,RMSE 是 64.69,和主表的 0.61、63.54 接近。遮挡实验和主实验是否使用同一批城市,论文没有说明,两个 0.61 不宜记成同一次运行。

作者认为邻接和距离在语义损坏时仍提供结构约束。消融确实显示空间先验有贡献。这次实验同时改变了被填补的特征,不能单独证明性能差距就是邻接补回来的那一部分。

去掉邻接、距离、兴趣点或扩散,各自掉在哪里?

消融有六个变体:去掉邻接、去掉距离、两者都去掉、去掉兴趣点、去掉扩散并改为图变换器直接预测、以及保留空间输入但去掉论文的融合方式、只把空间先验当作边特征。图 7 上完整模型的 CPC 是 0.62,RMSE 是 63.40。主表是 0.61 和 63.54,流出 JSD 也是主表 0.21、消融图 0.22。下面的比较都用图 7 自己的完整模型做分母。

完整原论文图7

图 7|哪一种信息拿掉以后,生成质量掉得最明显?

(a)CPC,越高越好。(b)RMSE,越低越好。(c)NRMSE。(d)流入 JSD。(e)流出 JSD。(f)OD 流量 JSD。每组从左到右是去掉邻接、去掉距离、两者都去掉、去掉兴趣点、去掉扩散、去掉融合约束、完整 SEDAN。两者都去掉时 CPC 为 0.41、RMSE 为 81.02。完整模型是 0.62 和 63.40。去掉距离后的 NRMSE 是 0.92,略低于完整模型的 0.93。来源:原论文 Fig. 5。

只去掉邻接,CPC 0.56,RMSE 73.10,流入 JSD 0.31。只去掉距离,CPC 0.59,RMSE 66.28,流出 JSD 0.23,NRMSE 0.92。两者都去掉,CPC 0.41,RMSE 81.02,流入 JSD 0.44,流出 JSD 0.47,OD 流量 JSD 0.21。一起去掉的伤害大于只去掉其中一项,说明在这个网络里,邻接和距离承担的是互补的约束。只去掉距离时 NRMSE 略好于完整模型,所以并不是六项指标同时变差。

去掉兴趣点,CPC 0.59,RMSE 75.29,NRMSE 1.23。以完整模型的 63.40 为分母,RMSE 相对上升 18.8%。兴趣点对人数误差的影响,大于去掉扩散带来的影响。

去掉扩散、直接预测时,CPC 0.61,RMSE 65.19,流入 JSD 0.29,流出 JSD 0.24,OD 流量 JSD 0.12。人数误差仍接近完整模型,分布散度更大。扩散在这里多恢复的是流量分布,幅度是流入 JSD 从 0.29 到 0.26 这一档,不是把 RMSE 砍掉一半。论文认为离线的交通规划和公共卫生建模可以承受额外计算。它可以接受的时间上限,正文没有给出。

去掉融合、只把空间先验当作边特征时,CPC 0.60,RMSE 66.24,流入 JSD 0.31。完整输入还在,结果仍差于按注意力偏置和距离条件注入的完整模型。这支持“怎样接入空间信息”会影响结果。论文只比较了这一种去掉融合的做法。

模型在解释平均流出时,看重哪些区域属性?

SHAP 用来分解特征对模型输出的贡献。解释目标是一个目标区域的预测平均流出。特征被拿掉时,用从多座城市节点属性中抽到的背景值替换,避免直接填 0。图上的数是平均绝对 SHAP。越大,表示该特征对这个输出的贡献越大。它解释的是模型输出。论文没有写明平均流出处在对数尺度还是还原后的人数,因此 4.6974 不能读成 4.70 个通勤者,也不能读成因果效应。

人口特征取贡献最高的 20 个,分成年龄、教育、交通资源、经济与家庭四组,个数是 7、5、4、4。

完整原论文图8

图 8|预测平均流出时,哪些人口属性贡献较大?

(a)年龄:20–24 岁女性 4.6974,5–9 岁 2.0938,中位年龄 0.8903,45–49 岁男性 0.8385。(b)教育:幼儿园 3.9604,副学士学位 2.5969,9–12 年级高中 2.4920。(c)交通资源:3 辆及以上车 3.6339,无车 1.1320,1 辆车 0.9615,2 辆车 0.6604。(d)经济与家庭:女性贫困 2.8282,家庭总数 1.0449,平均家庭规模 0.6456,私营部门受雇者 0.5819。横轴是平均绝对 SHAP。来源:原论文 Fig. 6。

作者认为 20–24 岁女性的高贡献,可能对应年轻人口的通勤,以及女性较多从事教育、医疗等通勤较规律的行业。5–9 岁和 15–19 岁女性,被他们读成年轻家庭的间接信号。中位年龄、45–49 岁男性和 30–34 岁女性,被读成中年劳动力的稳定通勤。这些是对 SHAP 排序的解释。模型没有把年龄、行业和家庭规模拆开做对照,相关的区域属性会一起变化。

交通资源里,3 辆及以上车最高,无车也高于 1 辆和 2 辆。作者把前者联系到出行更灵活,把后者联系到更依赖公共交通。经济与家庭里,女性贫困最高,家庭总数和平均家庭规模被用来表示通勤需求的规模。这些同样是解释,不是分组实验的结果。

兴趣点另画一张图,取前 10 个。横轴尺度大约到 1.75,和人口图大约到 5 的尺度不同。1.8169 和 4.6974 不能直接比成“兴趣点不如年龄”。

完整原论文图9

图 9|哪些兴趣点类别对预测平均流出贡献较大?

无字母子图。前五位是住宿 1.8169、教育 1.5264、医疗 1.2247、快餐 1.1576、政府 1.0868。其后是服务 0.5277、金融 0.3998、冰淇淋 0.3649、回收 0.3106、精品店 0.1201。横轴是平均绝对 SHAP。来源:原论文 Fig. 7。

作者把住宿读成居住区,并认为居住区是通勤的主要起点;教育、医疗和政府被联系到城市中心;快餐被联系到繁忙地区;冰淇淋、回收和精品店被看作非核心设施。图上的类别名是 Accommodation。正文没有列出这个类别在数据里包含哪些设施,所以“居住区份额”还不是这张图测到的量。

浅层注意力贴着邻居,深层还贴吗?

案例比较各层注意力、邻接矩阵,以及由直线距离得到的相似度。距离越近,相似度越高。相关在非对角元素上计算,论文把皮尔逊相关记为 P。区域索引从 0 标到 16。论文没有给出城市名称,也没有说明为什么选这个例子。热图画在对角线的一侧。

完整原论文图10

图 10|注意力是否先贴近邻接,再离开邻接?

(a)二值邻接矩阵,深色表示相邻。(b)距离相似度,颜色越深表示越近。(c)四层注意力。第 1 层与邻接的相关 P = 0.70,与距离相似度 P = 0.38。第 2 层是 0.40 和 0.22。第 3 层是 −0.16 和 −0.26。第 4 层是 0.07 和 0.11,蓝色虚线框标出两个被多个起点关注的目的地区域。颜色深浅是注意力或相似度,不是通勤人数。来源:原论文 Fig. 8。

第 1 层与邻接的相关最高。正文说若干高注意力区域与邻接矩阵吻合,并用红色实线框标出。第 2 层两项相关都下降。第 3 层转为负相关,模型不再主要沿邻近关系分配注意力。第 4 层的相关接近 0,多个起点的注意力汇到两个目的地区域。

这是一个例子里的模型内部注意力。它支持“浅层更受空间先验引导,深层出现少数被反复关注的目的地”这一读法。它没有证明这座城市有两个就业中心,也不能代表 3233 个空间单元上的普遍层级。

更慢的采样,换来的层数和步数是否稳定?

附录用 DDIM 的 100 步,比较 SEDAN、WEDAN 和回归模型 GMEL 的平均推理时间。横轴是节点数,纵轴是秒。图上没有逐点标出秒数。能看清的是节点增多以后,SEDAN 和 WEDAN 一起上升,并且高于 GMEL;两条扩散曲线彼此接近。横轴延伸到约 900 个节点。正文定义的大型城市是 51–100 个区域,和这张图的横轴不是同一份城市名单。作者认为对离线生成,增加的计算可以接受。图支持扩散模型比这个回归基线更慢,没有给出业务上可接受的秒数。

完整原论文图11

图 11|城市节点变多时,生成要多花多少时间?

无字母子图。蓝线 SEDAN,橙线 WEDAN,绿线 GMEL。横轴为节点数,纵轴为平均推理时间,单位是秒。扩散模型随节点数上升更快。图中没有逐点秒数。来源:原论文 Fig. C.11。

层数试了 2 到 6。正文说从 2 层增到 4 层时,CPC、RMSE 和 OD 流量 JSD 都改善;增到 5 层或 6 层后不再提升,并略有波动,因此默认 4 层。扩散步数试了 200、500、1000 和 1500。正文说 1000 步的 CPC 最高,RMSE 和 OD 流量 JSD 最低;1500 步没有继续变好。两张折线都没有印出每个点的精确读数,纵轴也不是从 0 起绘,视觉斜率不宜代替正文的选择结论。

完整原论文图12

图 12|图变换器叠到几层比较合适?

(a)CPC,越高越好。(b)RMSE,越低越好。(c)OD 流量 JSD,越低越好。横轴是 2 到 6 层。折线没有逐点读数。正文的结论是 4 层之后不再稳定变好。来源:原论文 Fig. D.12。

完整原论文图13

图 13|扩散步数增加到 1000 以后还有没有收益?

(a)CPC。(b)RMSE。(c)OD 流量 JSD。横轴为 200、500、1000、1500 步。折线没有逐点读数。正文的结论是 1000 步最好,1500 步没有进一步收益。来源:原论文 Fig. D.13。

这些比较还能支持到哪里?

SEDAN 在这套美国通勤矩阵上,相对 WEDAN 降低了人数误差,并让流入、流出和流量分布更接近记录。优势在综合分类的多中心子集里更大,在只含小城市时并非每一项分布指标都更好。邻接和距离一起去掉时,同一张消融图上的重叠和误差明显变差。兴趣点主要影响人数误差,扩散主要影响分布散度,而且后者的幅度有限。

证据停在区域对的生成质量。2018 年的矩阵是静态的,没有节假日、事件和日内变化。空间约束只有邻接和直线距离,路网、公交和过河都没有进入模型。论文假设人口和设施等特征在城市之间语义一致;统计口径不同时,这个假设会松动。数据只来自美国城市。多中心子集上从 86.90 到 38.03 的 RMSE 变化,发生在这套分类内部。

8:1:1 的划分没有写明是否整座城市留出。主表和消融图的完整模型数字不完全相同。五次实验只报告平均,0.02 的 CPC 差距没有配上标准差。表 A.6 和图 10 的零流量比例对不上,相邻高流量比例也不是通勤总人数的份额。SHAP 排序和一层注意力热图解释的是模型内部,不是居民的选择机制。

一句话总结

只把区域功能和邻接、距离交给模型,可以在这套美国通勤数据上生成比强扩散基线更接近记录的出发地—目的地矩阵;这种接近是区域对上的重叠、误差和分布,并且还停在美国城市与论文自己的结构分类之内。

核心来源

  • arXiv:2605.00938v1,2026年5月1日预印本。题目、作者、机构和全部数值以这一版 PDF 为准。首页与文末没有印 DOI。
  • 数据基准的论文条目:Can Rong、Jingtao Ding、Yan Liu、Yong Li,A large-scale dataset and benchmark for commuting origin-destination flow generation,ICLR 2025。本文将其写作 LargeCommuingOD,并引用为 [21]。
  • 本文图 1、图 2 对应附录 Fig. A.9、Fig. A.10;图 3–10 对应正文 Fig. 1–8;图 11–13 对应 Fig. C.11、Fig. D.12、Fig. D.13。附录 A–E 都在同一份预印本里。
  • 论文给出的代码地址为 https://anonymous.4open.science/r/SEDAN。

作者介绍

  • Bin Chen:共同第一作者。论文署名为电子科技大学智能计算研究所。
  • Zhuoya Meng:共同第一作者。论文署名为电子科技大学智能计算研究所。
  • Fang Yang:论文署名为国防科技大学系统工程学院。
  • Runkang Guo:论文署名为国防科技大学系统工程学院。
  • Jingtao Ding:论文署名为清华大学电子工程系、北京信息科学与技术国家研究中心。他是本文数据基准论文的作者之一。其公开主页把研究方向写为时空数据挖掘、复杂网络与用户行为。
  • Yin Zhang:论文署名为电子科技大学信息与通信工程学院。
  • Chuan Ai:论文署名为国防科技大学系统工程学院,并标为通讯作者。
  • Zhengqiu Zhu:论文署名为国防科技大学系统工程学院,并标为通讯作者。首页脚注给出的邮箱是 zhuzhengqiu12@nudt.edu.cn。

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。

综合分类的多中心子集里,RMSE 从 86.90 降到 38.03;全测试平均只是从 68.60 降到 63.54。若多中心城市的真实矩阵更不均匀,少数大流量区域对就会主导平方误差,一个更会对准大流量的模型会在 RMSE 上显得进步很大。NRMSE 在主表里反而从 0.88 升到 0.93,已经提示人数误差和相对起伏不是同一件事。下一步应在同一结构类型里,按流量分位分别计算 CPC 和 RMSE。如果大流量对的误差下降,小流量和长距离对的重叠没有上升,规划上更该关心的走廊并没有一起变准。

另一件可以单独检验的事是缺失值的填法。实验用城市均值填上被遮住的特征。就业中心若正好缺少兴趣点,填成全市平均,会把中心抹成普通区域。人口分类下的均匀城市,SEDAN 的 CPC 已经略降。对数据稀缺的城市,均值填补可能先制造一种更均匀的输入,再让结构约束去生成流量。部署前应比较三种输入:真实特征、均值填补,以及明确标记缺失、不把缺失伪装成平均水平。这三套输入的差别,论文没有报告。


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