sUrban：基于位置传感器的城市数据稳定预测方法

最近关于智慧城市的机器学习研究在预测未来趋势方面取得了巨大成功，其关键假设是测试数据遵循与训练数据相同的分布。然而，快速的城镇化使这一假设在实践中难以成立。因为新数据来自新环境（例如新兴城市或区域），可能遵循与现有环境数据不同的分布。与在训练期间访问目标数据的迁移学习方法不同，我们通常对新环境没有任何先验知识。因此，探索一种能够有效适应未见新环境的预测模型至关重要。本工作旨在解决可持续城市的分布外（OOD）挑战。我们提出识别在每个环境中对OOD预测有用的两种特征：（1）环境不变特征，用于捕获跨不同环境的预测共性；（2）环境感知特征，用于表征每个环境的独特信息。以骑行为例，不同城市的自行车需求通常遵循相同的模式，即工作日高峰期需求显著增加。同时，由于不同文化和市民出行偏好，每个城市也存在一些本地模式。我们引入了一个原则性框架sUrban，由学习不变表示的环境不变优化模块和学习环境感知表示的环境感知优化模块组成。对来自各种城市应用领域的真实世界数据集的评估证实了sUrban的泛化能力。这项工作为智慧城市发展开辟了新的途径。