[论文解读] Smart City Development with Urban Transfer Learning

Leye Wang, Bin Guo+1 more|arXiv (Cornell University)|Aug 5, 2018

Human Mobility and Location-Based Analysis参考文献 19被引用 4

一句话总结

本文提出城市迁移学习作为解决智慧城市冷启动问题的方案，使数据稀缺的城市能够利用数据丰富的城市或数据模态的知识。通过在城市和数据类型（如POI、签到和出行数据）之间迁移表征，该方法提升了预测和部署任务的性能，实验表明CityTransfer在酒店选址任务中优于仅依赖本地数据的方法。

ABSTRACT

Nowadays, the smart city development levels of different cities are still unbalanced. For a large number of cities which just started development, the governments will face a critical cold-start problem: 'how to develop a new smart city service with limited data?'. To address this problem, transfer learning can be leveraged to accelerate the smart city development, which we term the urban transfer learning paradigm. This article investigates the common process of urban transfer learning, aiming to provide city planners and relevant practitioners with guidelines on how to apply this novel learning paradigm. Our guidelines include common transfer strategies to take, general steps to follow, and case studies in public safety, transportation management, etc. We also summarize a few research opportunities and expect this article can attract more researchers to study urban transfer learning.

研究动机与目标

• 解决智慧城市发展中新城市因缺乏足够数据而难以部署服务的冷启动问题。
• 提供一个系统化的城市迁移学习框架，指导城市规划者有效应用迁移学习。
• 在真实城市应用中展示跨城市和跨模态知识迁移的可行性和有效性。
• 识别城市迁移学习中的关键挑战与研究机遇，包括可迁移性评估和隐私保护的数据使用。

提出的方法

• 提出一个包含三个阶段的统一城市迁移学习框架：领域对齐、共享表征学习和目标任务学习。
• 采用基于特征的迁移方法，从源城市（如北京）学习共享表征空间，将不同城市中相似的区域对映射为相似的特征。
• 通过模型微调实现基于模型的迁移，利用有限的本地数据在目标城市（如上海、西安）上微调预训练模型。
• 将不同数据模态（如POI、签到和出行模式）的多源知识整合到联合嵌入空间中。
• 利用对抗性训练减少源城市与目标城市之间的领域差异，提升可迁移性。
• 设计CityTransfer，一种面向企业设施部署的特定场景算法，结合跨城市与跨模态知识。

实验结果

研究问题

• RQ1 如何系统性地应用迁移学习以克服智慧城市发展中的数据稀缺问题？
• RQ2 在城市计算中，跨城市和跨数据模态的知识迁移最有效的策略是什么？
• RQ3 如何评估源域与目标域之间的可迁移性，以避免在设施部署等关键应用中出现负迁移？
• RQ4 隐私保护的城市数据在实现可扩展且合乎伦理的城市迁移学习中扮演什么角色？

主要发现

• 基于迁移学习的酒店选址模型CityTransfer，优于仅依赖本地人流数据的传统经验方法。
• 在三家中国主要连锁酒店（汉庭、7天、如家）上的实验表明，CityTransfer选定的选址吸引了显著更多的客户。
• 该框架有效将数据丰富的源城市（如北京）的知识迁移至数据稀缺的目标城市（如南京、西安），提升了部署准确性。
• 跨城市与跨模态的迁移策略在城市预测与部署任务中表现出高度有效性。
• 可迁移性评估被识别为避免负迁移的关键因素，尤其在设施部署等非迭代应用中更为重要。
• 对抗性神经网络在减小城市间领域差异方面展现出潜力，增强了特征的可迁移性。