تلعب أنظمة مراقبة التدفق الحضري أدوارًا مهمة في جهود المدن الذكية حول العالم. ومع ذلك، فإن الانتشار الشامل لأجهزة المراقبة مثل كاميرات المراقبة (CCTVs) يؤدي إلى تكاليف صيانة وتشغيل طويلة الأمد وكبيرة. وهذا يشير إلى الحاجة إلى تقنية يمكنها تقليل عدد الأجهزة المثبتة دون السماح بانحدار دقة البيانات وتفردها. في هذا البحث، نهدف إلى استنتاج تدفقات الجموع الزمنية الفورية والمتعددة التفرعات في جميع أنحاء المدينة بناءً على ملاحظات غير دقيقة. يعتبر هذا المهمة تحديًا بسبب سببين رئيسيين: العلاقات المكانية بين التدفقات الحضرية غير الدقيقة والدقيقة، وتعقيدات الآثار الخارجية. لحل هذه المشكلات، طورنا طريقة تسمى UrbanFM تعتمد على الشبكات العصبية العميقة. يتكون نموذجنا من جزأين رئيسيين: 1) شبكة استنتاج لتوليد توزيعات تدفق دقيقة من الإدخالات غير الدقيقة باستخدام وحدة استخراج الخصائص ووحدة زيادة التوزيع الجديدة؛ 2) فرع شبكي عام للدمج لتعزيز الأداء بشكل أكبر من خلال الأخذ بعين الاعتبار تأثير العوامل الخارجية المختلفة. أجريت التجارب الواسعة على قاعدتين بيانات حقيقيتين، وهما TaxiBJ وHappyValley، مما يؤكد فعالية وأداء طريقتنا مقارنة بسبعة أسس مرجعية، مما يظهر الأداء الرائد لنهجنا في مشكلة الاستنتاج الدقيق للتدفق الحضري.