Les systèmes de surveillance des flux urbains jouent un rôle important dans les efforts de villes intelligentes à travers le monde. Cependant, le déploiement ubiquitaire de dispositifs de surveillance, tels que les caméras de vidéosurveillance (CCTV), entraîne des coûts importants et durables pour la maintenance et l'exploitation. Ceci souligne la nécessité d'une technologie capable de réduire le nombre de dispositifs déployés tout en empêchant la dégradation de la précision et de la granularité des données. Dans cet article, nous visons à inférer les flux de foule en temps réel et à haute granularité dans une ville à partir d'observations à faible granularité. Cette tâche est complexe pour deux raisons : les corrélations spatiales entre les flux urbains à faible et haute granularité, ainsi que les complexités des impacts externes. Pour résoudre ces problèmes, nous développons une méthode intitulée UrbanFM basée sur les réseaux neuronaux profonds. Notre modèle se compose de deux parties principales : 1) un réseau d'inférence pour générer des distributions de flux à haute granularité à partir d'entrées à faible granularité en utilisant un module d'extraction de caractéristiques et un nouveau module d'échantillonnage distributionnel ; 2) un sous-réseau de fusion général pour améliorer encore les performances en tenant compte des influences des différents facteurs externes. De nombreuses expériences menées sur deux jeux de données réels, à savoir TaxiBJ et HappyValley, valident l'efficacité et l'efficience de notre méthode par rapport à sept méthodes de référence, démontrant ainsi la performance au niveau état de l'art de notre approche sur le problème d'inférence des flux urbains à haute granularité.