， 即四维欧氏空间 。 作者采用nMMD来衡量分布相似性 。 而路线分布的准确性 ， 可以通过KL散度来计算 。
文章插图
文章插图
图8展示了起终点生成的准确度 ， 其中MMD越小越好 ， 并对比了不通过域泛化（No Adpt. ）的方法 。 作者发现 ， 通过域泛化 ， 能明显提高生成的效果；并且 ， 源城市与目标城市的组合也对生成结果也有明显影响 。 比如 ， 图8a中 ， 朝阳成都-合肥的泛化效果非常好 ， 而成都合肥-朝阳的效果较差 。 作者猜测这与城市的发展程度导致的出行多样化程度有关 。
文章插图
图 8
图9展示了路线偏好模型的实验结果 。 并对比了前m短路线（mSP）和基于本城市数据的模型（Ours-T2T）这两个基准线方法 。 作者发现 ， 通过设定候选路线的重叠阈值 ， 可以明显提高准确度 ， 这是因为前m短非重叠路线可以更好地覆盖真实轨迹；另外 ， 无论采用哪个城市的数据进行路线偏好训练得到的模型 ， 都与本城市数据训练得到的模型结果相近（图9d） ， 说明各个城市的路线偏好具有相似性 。 由于m值的增加可以提高准确度 ， 却会使得前m短路线计算时间增加 ， 作者还测试了m值的选取对准确度、时间性能的影响 ， 发现在m=5时 ， 可以取得准确度和时间性能的最好折中（图9e） 。
文章插图
【京东数科JUST技术：利用迁移学习生成新城市的轨迹】图 9
作者以雄安容城作为案例分析地点 。 在获取了该区域的POI、路网、交通数据后 ， 以北京成都为源城市训练模型 ， 并生成容城的轨迹数据 。 图10展示了生成的轨迹与实地考察结果 。 分析当时 ， 容城的主要居住娱乐区域集中于市中心（图10de） ， 周围老住宅和工厂环绕（图10a） 。 说明了考察地点人群流动情况与生成结果有较好的符合度 。
文章插图
图 10
论文链接：
论文PPT：

• 美妆购物可以“1小时达”了，京东携达达、悦诗风吟打造即时零售新模式
• 打造数智化协同生态 京东超市携手五常共建复合型产业带集群
• 看看日本企业的食堂，再看看中国京东的食堂，网友：差距也太大了
• 京东收购美菜网旗下美家买菜
• 京东双十一手机销量榜：iPhone12未进前十，第一无人能敌
• 京东电脑数码11.11新趋势 智能穿戴同比增150%
• 京东员工吐槽：领导总让员工加班，还不加工资，已经没有心情工作
• 京东物流上市在即！问题来了，京东顺丰谁是中国“物流一哥”？
• 京东|京东探索稀疏三维空间点云Global Context学习方法获认可
• 除了贵，你可能对京东一无所知