摘要：针对细粒度交通流推断中外部因素理解不足及空间结构建模复杂的问题，提出一种融合空间细粒度权重映射的交通流量推断模型（spatial fine-grained weight mapping network，SFWM-Net）。首先，利用交叉注意力机制多维交互外部因素与粗粒度流量矩阵，以增强特征表达能力；其次，采用残差网络深度刻画特征图的语义信息，并通过像素重排上采样恢复空间分辨率；最后，提出空间细粒度权重映射模块，学习粗粒度到细粒度特征图的复杂映射关系，计算映射权重，并结合粗粒度流量矩阵生成高精度的细粒度推断结果。在Taxi-BJ数据集上进行4倍细粒度交通流推断实验，与现有先进算法MS-SCL和DyBPN相比，SFWM-Net在四个子集上的平均RMSE分别降低了1.39%和1.15%，平均MAE分别降低了5.12%和3.98%。可视化结果进一步表明，SFWM-Net 不仅能有效保持城市路网的拓扑结构一致性，还能更精确地还原细粒度交通流的空间分布特征。
文章目录
1 问题定义
2 融合空间细粒度权重映射的流量推断
2.1 基于交叉注意力机制的特征融合
2.2 基于深度残差网络的特征增强
2.3 基于像素重排的特征图上采样
2.4 空间细粒度权重映射
2.5 损失函数
3 实验与分析
3.1 数据集介绍
3.2 实验环境与超参数配置
3.3 评价指标
3.4 对比方法
3.5 实验结果分析
3.5.1 定量分析
3.5.2 定性分析
3.6 消融实验
3.7 参数敏感性分析
3.8 模型复杂度分析
3.9 训练收敛性能分析
4 结束语
