导语
城市中的日常出行，是计算人口学研究人群流动及其时空规律的一个具体切口。本期为计算人口学读书会第7期，美团智能决策算法研究员寄家豪将以城市交通预测为例，介绍如何将人群流动机理与深度学习相结合，探讨如何利用城市流动数据，在提高预测精度的同时，为流动变化提供更清晰的解释。
为系统梳理人口学领域的最新进展，三合力通科技与集智俱乐部共同发起「计算人口学：复杂系统视角下的生育、教育、流动与老龄化」读书会，北京师范大学系统科学学院李汉东、崔雪锋两位教授共同参与担任发起人。组织对该主题感兴趣的研究者与探索者共同研读前沿文献、交流研究思路。
读书会将于2026年9月17日起每周四19:30-21:30线上开展，持续约10周，包含主讲分享与讨论交流，并提供会后视频回放，诚邀相关领域研究者及跨学科兴趣者参与。
报告简介
城市中的日常出行，是计算人口学研究人群流动及其时空规律的一个具体切口。本次分享以城市交通预测为例，介绍如何将人群流动机理与深度学习相结合：用势能场和连续性方程描述区域间流动及其在路网上的演化，通过因果建模应对天气、节假日等环境变化，并从信息论角度讨论何时“先分解、再预测”更有效。围绕这些工作，探讨如何利用城市流动数据，在提高预测精度的同时，为流动变化提供更清晰的解释。
分享大纲
城市人群流动预测：数据驱动方法的局限
从交通数据看城市人群流动
预测精度之外：可解释性与环境适应性
势能场与连续性方程：从区域流量到路网演化
用势能场描述区域间的流动
用连续性方程刻画路网上的动态演化
预测效果与势能场的解释能力
因果建模：环境变化下的稳健预测
天气、节假日等因素带来的分布变化
基于基向量的混杂因素表征
未知环境下的预测表现
分解预测：何时“先分解、再预测”更有效
多种出行模式混合带来的建模困难
信息论视角下的成分独立性原则
图分解学习框架与实验验证
核心概念
时空势能场：借鉴场论，用区域间的“势能差”描述流动方向与强度。
神经微分方程：将微分方程与神经网络结合，描述交通流的连续演化。
因果表征学习：区分相对稳定的时空关系与外部环境因素的影响。
分解预测：将复杂时空模式拆分为相对独立的成分，分别预测后再合成。
主讲人介绍
主讲人：寄家豪，美团智能决策算法研究员，北京航空航天大学博士，曾两次通过国家公派项目赴海外开展研究。研究兴趣包括 AI4OR、时空数据挖掘、可解释AI与城市计算。担任中国自动化学会联邦专委会委员，参编可解释人工智能领域国际标准 IEEE P2894，联合发起集智学术社区“城市科学读书会”。曾获 ACM SIGSPATIAL 中国分会优博提名奖。出版学术专著1部，发表学术论文18篇，代表成果发表于 IEEE TPAMI、IEEE TKDE、ACM SIGKDD、AAAI 等 CCF A类的人工智能、数据挖掘顶级期刊和会议，论著累计被引超1100次。
参考文献
JI J, WANG J, MOU Y, et al. How to break it down for building it up? Theory-guided graph decomposition learning for spatiotemporal traffic prediction[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026, 48(5): 5442-5459.
JI J, ZHANG W, WANG J, et al. Seeing the unseen: Learning basis confounder representations for robust traffic prediction[C]//Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1. 2025: 577-588.
WANG J, JI J, JIANG Z, et al. Traffic flow prediction based on spatiotemporal potential energy fields[J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 35(9): 9073-9087.
JI J, WANG J, JIANG Z, et al. STDEN: Towards physics-guided neural networks for traffic flow prediction[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2022, 36(4): 4048-4056.
报告简介
城市中的日常出行，是计算人口学研究人群流动及其时空规律的一个具体切口。本次分享以城市交通预测为例，介绍如何将人群流动机理与深度学习相结合：用势能场和连续性方程描述区域间流动及其在路网上的演化，通过因果建模应对天气、节假日等环境变化，并从信息论角度讨论何时“先分解、再预测”更有效。围绕这些工作，探讨如何利用城市流动数据，在提高预测精度的同时，为流动变化提供更清晰的解释。
分享大纲
分享大纲
城市人群流动预测：数据驱动方法的局限
从交通数据看城市人群流动
预测精度之外：可解释性与环境适应性
势能场与连续性方程：从区域流量到路网演化
用势能场描述区域间的流动
用连续性方程刻画路网上的动态演化
预测效果与势能场的解释能力
因果建模：环境变化下的稳健预测
天气、节假日等因素带来的分布变化
基于基向量的混杂因素表征
未知环境下的预测表现
分解预测：何时“先分解、再预测”更有效
多种出行模式混合带来的建模困难
信息论视角下的成分独立性原则
图分解学习框架与实验验证
核心概念
核心概念
时空势能场：借鉴场论，用区域间的“势能差”描述流动方向与强度。
神经微分方程：将微分方程与神经网络结合，描述交通流的连续演化。
因果表征学习：区分相对稳定的时空关系与外部环境因素的影响。
分解预测：将复杂时空模式拆分为相对独立的成分，分别预测后再合成。
主讲人介绍
主讲人介绍
主讲人：寄家豪，美团智能决策算法研究员，北京航空航天大学博士，曾两次通过国家公派项目赴海外开展研究。研究兴趣包括 AI4OR、时空数据挖掘、可解释AI与城市计算。担任中国自动化学会联邦专委会委员，参编可解释人工智能领域国际标准 IEEE P2894，联合发起集智学术社区“城市科学读书会”。曾获 ACM SIGSPATIAL 中国分会优博提名奖。出版学术专著1部，发表学术论文18篇，代表成果发表于 IEEE TPAMI、IEEE TKDE、ACM SIGKDD、AAAI 等 CCF A类的人工智能、数据挖掘顶级期刊和会议，论著累计被引超1100次。
参考文献
参考文献
JI J, WANG J, MOU Y, et al. How to break it down for building it up? Theory-guided graph decomposition learning for spatiotemporal traffic prediction[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026, 48(5): 5442-5459.
JI J, ZHANG W, WANG J, et al. Seeing the unseen: Learning basis confounder representations for robust traffic prediction[C]//Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1. 2025: 577-588.
WANG J, JI J, JIANG Z, et al. Traffic flow prediction based on spatiotemporal potential energy fields[J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 35(9): 9073-9087.
JI J, WANG J, JIANG Z, et al. STDEN: Towards physics-guided neural networks for traffic flow prediction[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2022, 36(4): 4048-4056.
活动预告
活动预告
📍 直播：微信视频号 + 集智俱乐部B站号同步放送 感兴趣的朋友请扫码报名加入读书会，报名后可进入学员群参与交流讨论。
直播信息
直播信息
报名读书会：「计算人口学」
报名读书会：「计算人口学」
报名方式
加入社区可享核心资源
特色退费与激励机制
任务达标退费路径 认领并合格完成任意两期字幕任务，即可退还全额报名费，并额外获得集智专属周边奖励。 运营成长激励路径 合格完成一个字幕任务后，可申请成为运营助理。在读书会项目顺利结项后，将退还学费。表现优异者，还有机会获得额外的奖学金。
推荐阅读
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢