[论文解读] VLUC: An Empirical Benchmark for Video-Like Urban Computing on Citywide Crowd and Traffic Prediction

Renhe Jiang, Zekun Cai+6 more|arXiv (Cornell University)|Nov 16, 2019

Traffic Prediction and Management Techniques参考文献 41被引用 8

一句话总结

本文提出 VLUC，一个用于城市级人群与交通预测的视频化城市计算标准化基准，基于真实智能手机应用数据构建的新数据集，实现对城市范围人群与交通的预测。通过将城市动态建模为细粒度网格上的时空视频序列，作者评估了最先进模型，并提出 VLUC-Nets——一种深度学习架构，在人群密度与进出流量预测方面优于现有方法，具备更优的时空建模能力。

ABSTRACT

Nowadays, massive urban human mobility data are being generated from mobile phones, car navigation systems, and traffic sensors. Predicting the density and flow of the crowd or traffic at a citywide level becomes possible by using the big data and cutting-edge AI technologies. It has been a very significant research topic with high social impact, which can be widely applied to emergency management, traffic regulation, and urban planning. In particular, by meshing a large urban area to a number of fine-grained mesh-grids, citywide crowd and traffic information in a continuous time period can be represented like a video, where each timestamp can be seen as one video frame. Based on this idea, a series of methods have been proposed to address video-like prediction for citywide crowd and traffic. In this study, we publish a new aggregated human mobility dataset generated from a real-world smartphone application and build a standard benchmark for such kind of video-like urban computing with this new dataset and the existing open datasets. We first comprehensively review the state-of-the-art works of literature and formulate the density and in-out flow prediction problem, then conduct a thorough performance assessment for those methods. With this benchmark, we hope researchers can easily follow up and quickly launch a new solution on this topic.

研究动机与目标

• 建立基于真实世界移动数据的城市级人群与交通预测中视频化城市计算的标准化基准。
• 解决在不同数据集与任务之间缺乏统一模型评估平台的问题。
• 将新旧公开数据集整合至统一的基准框架中，实现一致的性能对比。
• 使用标准化指标，对新旧数据集上的最先进模型进行系统性评估。
• 提出并验证一类新型模型 VLUC-Nets，通过增强的时空建模提升预测精度。

提出的方法

• 将城市级人群与交通表示为四维张量（时间、高度、宽度、通道），类比于视频帧，其中每个单元对应一个细粒度网格单元。
• 将真实世界智能手机应用数据聚合为名为 BousaiTYO（东京）和 BousaiOSA（大阪）的新数据集，人群密度与进出流量作为关键信号。
• 将现有公开数据集（如 TaxiBJ、BikeNYC、TaxiNYC）整合至统一基准框架中，支持跨数据集评估。
• 开发在线可视化工具 Mobmap，支持像视频播放器一样交互式回放城市动态。
• 利用残差连接、注意力机制与时空卷积等先进深度学习技术，设计 VLUC-Nets，以建模复杂的空间与时间依赖关系。
• 使用标准指标（RMSE、MAE、MAPE）训练与评估模型，并探索辅助数据（如天气、事件、POI）及目标函数的影响。

实验结果

研究问题

• RQ1 当在统一基准上评估时，最先进模型在多样化的城市级人群与交通预测任务中的表现如何？
• RQ2 所提出的 VLUC 基准在多大程度上提升了城市计算研究的可复现性与可比性？
• RQ3 与现有模型相比，所提出的 VLUC-Nets 在人群密度与进出流量预测中的性能增益如何？
• RQ4 辅助数据源（如天气、事件、POI）对城市视频化计算中预测精度的影响如何？
• RQ5 当前模型在捕捉城市动态中长程时空依赖关系方面存在哪些局限性？

主要发现

• VLUC 基准（包括新数据集 BousaiTYO 与 BousaiOSA）实现了在多个城市与数据源之间对城市预测模型的一致且可复现的评估。
• VLUC-Nets 在新旧数据集上均显著优于最先进模型（如 ST-ResNet、DMVST-Net 与 STDN），证明其在时空建模方面的优越性。
• 整合天气与事件信息等辅助数据可带来可测量的预测精度提升，尤其在处理罕见或异常事件时表现更优。
• 该基准揭示了不同模型间存在显著性能差距，凸显了在城市计算研究中建立标准化评估协议的必要性。
• 在线可视化工具 Mobmap 支持对城市动态的交互式探索，有助于科研与公众参与。
• 未来评估应引入更多指标，如动态时间规整（DTW）与 Hausdorff 距离，以更准确评估时间对齐与序列相似性。