时空数据挖掘二（城市计算）

城市流量预测有益于智慧城市的诸多方面，如交通管理、风险评估等。然而，这些好处的一个关键前提是对城市有细致的了解。与以往局限于粗粒度数据的工作不同，本文将城市流量预测的视野扩展到细粒度，提出了特定的挑战:1)细粒度数据中观察到的网格间过渡的优势，使捕捉全球尺度上网格单元之间的空间依赖关系变得更加复杂;2)单独学习外部因素(如天气)对大量网格单元的影响非常具有挑战性。为了应对这两个挑战，本文提出了一种用于细粒度城市流量预测的时空关系网络(STRN)。首先，使用骨干网来学习每个cell的高级表示。提出了一个全局关系模块(GloNet)，与现有方法相比，能更有效地捕获全局空间依赖关系。设计了一个元学习器，将外部因素和地块功能(如POI密度)作为输入，以产生元知识并提高模型性能。在两个真实的数据集上进行了广泛的实验。实验结果表明，与目前最先进的方法相比，STRN在使用更少参数的情况下，误差降低了7.1% ~ 11.5%。此外，我们还部署了一个名为UrbanFlow 3.0的云系统，以展示该方法的实用性。

原因：

1) Global spatial dependencies 

2) External factors &Land functions. 

 

 本文提出一种新的结构(GloNet)来捕获全局空间依赖关系。我们将一个城市划分为𝑁网格单元。与直接建模所有网格间相关性(完全&#x