Marco de transferencia de datos de ciudades basado en similitudes en la digitalización urbana

El aprendizaje de transferencia entre ciudades busca aplicar el conocimiento y el modelo de ciudades ricas en datos a ciudades pobres en datos para resolver el problema del arranque en frío. Los métodos existentes transfieren directamente el modelo construido a partir de ciudades desarrolladas a ciudades subdesarrolladas sin considerar la similitud entre ellas, lo que conduce a un potencial problema de desajuste en la transferencia, y a su vez, disminuye el rendimiento de los resultados de la transferencia. Mientras tanto, los métodos actuales de aprendizaje de transferencia no pueden extraer efectivamente las características de series temporales de los datos, lo que resulta en la incapacidad de lograr una migración positiva adaptable entre ciudades. Para resolver este problema, proponemos un método de aprendizaje de transferencia entre ciudades basado en similitudes llamado TransCSM, que incorpora la similitud urbana en un marco de aprendizaje de transferencia adaptativa para lograr la transferencia de datos deseada. Específicamente, primero construimos un modelo de similitud urbana, que utiliza los datos de POI (Punto de Interés) urbanos para agrupar las ciudades con características similares en el mismo clúster. Luego, construimos una red extractora de características, que utiliza una red neuronal convolucional (CNN) y una Unidad Recurrente Gated (GRU) para extraer características más representativas de los datos de series temporales. A continuación, construimos un marco de aprendizaje de transferencia adaptativa para lograr la transferencia de datos dentro del mismo clúster de ciudades, lo que garantiza la fiabilidad de los resultados de la transferencia de datos entre ciudades. Finalmente, evaluamos nuestro método propuesto en muchos conjuntos de datos públicos de POI de la API de Baidu Map, y enormes resultados han demostrado que nuestro método propuesto puede alcanzar un rendimiento superior en comparación con los métodos de última generación.