摘要
细粒度城市流量推断（Fine-grained Urban Flow Inference, FUFI）问题旨在从粗粒度流量数据中推断出细粒度的流量分布图，从而在降低电力消耗、维护成本和运营成本的前提下，为各类智慧城市应用提供支持。现有方法借鉴图像超分辨率技术，在FUFI任务中取得了良好性能。然而，这些方法通常依赖于大量标注数据的监督学习，普遍存在泛化能力不足和过拟合等问题。为此，本文提出一种新方法：面向细粒度城市流量推断的时空对比学习框架（Spatial-Temporal Contrasting for Fine-Grained Urban Flow Inference, STCF）。该框架包含两个核心组件：(i) 用于在流量图之间进行时空对比的预训练网络；(ii) 一个耦合的微调网络，用于融合所学习到的特征表示。通过在表示空间中拉近时空上相似的流量图、推远不相似的流量图，STCF显著提升了模型的推断效率与性能。在两个大规模真实世界城市流量数据集上的全面实验表明，STCF相比现有方法，可将推断误差降低高达13.5%，同时显著减少对训练数据量和模型参数的需求，展现出更强的高效性与泛化能力。