UrbanFM: 세부적인 도시 유동 추론

도시 유동 모니터링 시스템은 전 세계의 스마트 시티 노력에서 중요한 역할을 합니다. 그러나 CCTV와 같은 모니터링 장치의 보편적인 배치는 유지 관리 및 운영에 지속적이고 막대한 비용을 초래합니다. 이는 데이터 정확성과 세분화 정도를 저하시키지 않으면서 배치된 장치 수를 줄일 수 있는 기술의 필요성을 제시합니다. 본 논문에서는 거칠게 측정된 관측값을 바탕으로 도시 전체의 실시간 및 세밀한 인파 유동을 추론하는 것을 목표로 합니다. 이 작업은 두 가지 이유로 어려움이 있습니다: 거친 유동과 세밀한 도시 유동 사이의 공간적 상관관계와 외부 영향의 복잡성입니다. 이러한 문제를 해결하기 위해, 우리는 딥 뉴럴 네트워크를 기반으로 하는 UrbanFM이라는 방법을 개발하였습니다. 우리의 모델은 두 가지 주요 부분으로 구성됩니다: 1) 거칠게 측정된 입력에서 특징 추출 모듈과 새로운 분포 업샘플링 모듈을 사용하여 세밀한 유동 분포를 생성하는 추론 네트워크; 2) 다양한 외부 요인들의 영향을 고려하여 성능을 더욱 향상시키는 일반 융합 서브네트워크입니다. TaxiBJ와 HappyValley라는 두 개의 실제 데이터셋을 이용한 광범위한 실험 결과, 우리의 방법이 7개의 베이스라인과 비교하여 효과性和效率性가 검증되었으며, 세밀한 도시 유동 추론 문제에서 최신 기술 수준의 성능을 보여주었습니다.注：最后两句中的“效果性和效率性”可以进一步优化为“효과성과 효율성”，以更符合韩语的表达习惯。도시 유동 모니터링 시스템은 전 세계의 스마트 시티 노력에서 중요한 역할을 합니다. 그러나 CCTV와 같은 모니터링 장치의 보편적인 배치는 유지 관리 및 운영에 지속적이고 막대한 비용을 초래합니다. 이는 데이터 정확성과 세분화 정도를 저하시키지 않으면서 배치된 장치 수를 줄일 수 있는 기술의 필요성을 제시합니다. 본 논문에서는 거칠게 측정된 관측값을 바탕으로 도시 전체의 실시간 및 세밀한 인파 유동을 추론하는 것을 목표로 합니다. 이 작업은 두 가지 이유로 어려움이 있습니다: 거친 유동과 세밀한 도시 유동 사이의 공간적 상관관계와 외부 영향의 복잡성입니다. 이러한 문제를 해결하기 위해, 우리는 딥 뉴럴 네트워크를 기반으로 하는 UrbanFM이라는 방법을 개발하였습니다. 우리의 모델은 두 가지 주요 부분으로 구성됩니다: 1) 거칠게 측정된 입력에서 특징 추출 모듈과 새로운 분포 업샘플링 모듈(Feature Extraction Module and Novel Distributional Upsampling Module)을 사용하여 세밀한 유동 분포를 생성하는 추론 네트워크; 2) 다양한 외부 요인들의 영향을 고려하여 성능을 더욱 향상시키는 일반 융합 서브네트워크(General Fusion Subnet)입니다. TaxiBJ와 HappyValley라는 두 개의 실제 데이터셋에 대한 광범위한 실험 결과, 우리의 방법이 7개의 베이스라인과 비교하여 효과성과 효율성이 검증되었으며, 세밀한 도시 유동 추론 문제에서 최신 기술 수준의 성능을 보여주었습니다.