近日，实验室2023级硕士生杨敏一篇论文“STDA: Spatio-Temporal Deviation Alignment Learning for Cross-city Fine-grained Urban Flow Inference”（作者：杨敏，李晓宇，徐斌，聂秀山，赵慕铭，张成奇，郑宇，宫永顺）被CCF A类期刊IEEE Transactions on Knowledge and Data Engineering (TKDE) 录用，影响因子为 8.9。TKDE是国际人工智能数据挖掘顶尖和权威学术期刊之一。

细粒度城市流量推断(FUFI)对交通管理至关重要，它能够从粗粒度观测数据中推断出高分辨率的城市流量分布图。现有FUFI方法通常仅针对单一城市，并依赖大规模数据集的全面训练来实现精确推断。然而，新建城市的数据可获得性往往有限，这为构建高性能的FUFI模型带来了挑战。为解决这一问题，我们提出跨城市细粒度流量推断方法，并设计了一种时空偏差对齐(STDA)框架，通过元迁移学习将多个数据丰富城市的时空知识迁移至数据稀缺城市，以缓解多源城市与目标城市之间的时空分布偏差和城市结构偏差。具体来说，我们提出了一种跨城市归一化方法，通过自适应结合批量归一化和实例归一化来保持城市变异特征与城市不变特征之间的一致性。此外，我们还设计了区域结构对齐模块和城市自适应卷积核来协调不同城市间的空间拓扑差异。在三个真实世界数据集上进行的大量实验表明，STDA框架有效降低了不同数据集间的分布和结构偏差，同时避免了负迁移现象，性能始终优于当前最先进的基线方法。