受益于传感技术的发展和大规模计算环境的成熟,城市中海量的数据能够被收集起来,因此,通过大数据探索城市规律的方式在现阶段智慧城市建设方面备受关注。然而,城市中海量的原始数据需要经过处理后才能使用,受限于城市发展的不平衡,大多数城市的数据都未经过处理,仍然面临数据冷启动问题,难以借助自身数据来探索城市规律。在城市领域,其中最具代表性的就是人流预测问题,其对应的人流数据受限于隐私保护等原因,就面临严重的数据匮乏情况。但是,从数据中提取有用的信息解读人类出行模式,发掘人类移动的深层次知识是现代化城市建设中不可或缺的部分。因此,为了解决数据冷启动问题,研究者引入了迁移学习的理念,城市迁移学习将从数据丰富的源城市中提取知识来帮助数据匮乏的目标城市预测人流规律。在利用城市迁移学习解决人流问题时,尽可能利用相似度高的源城市和目标城市,能够有效的提升最终的预测结果。但现阶段,大多数研究往往基于城市间具备足够相似性的假设,依赖于经验和实验的方式来选择源城市。前者通常的经验依据是城市发展级别,已经被证明是不可靠的;而后者逐一试错的方式会在时间和资源上造成极大的浪费。盲目的选择源城市,在迁移过程中甚至会出现负迁移现象,在现实中使用错误的决策所产生的代价是不可承受的。因此,针对城市数据冷启动的现状,为实现跨城市的人流预测,如何选择合适的源城市就成为了城市迁移学习中重要的研究问题。此外,在跨城市人流预测的相关工作中,现阶段的预测模型在建模方面还存在不足。本文的工作将针对上述两个问题展开研究。在城市空间中,人们出行背后的意图与城市空间的结构分布密切相关。受该思路的启发,本文提出了一个基于迁移学习的跨城市人流预测框架Area Transfer,它包括源城市选择和模型训练两部分。在框架中,源城市选择部分主要利用了城市布局特征与人类移动特征的相关性,计算区域间的相似度,并利用KM算法实现了城市间的最优匹配,构建了城市间可迁移性评估算法,用以选择最合适的城市来迁移;模型训练部分在特征提取单元,通过膨胀卷积与标准卷积结合的方式提取城市人流数据特征,加入SE注意力模块提升模型对城市布局特征的建模能力,在输出单元利用1×1卷积模块来减少参数量,注重同一区域不同通道的信息聚合。在训练流程上,首先根据被选中源城市的样本数据预训练深度学习网络模型,其次借助一个双目标的优化函数并结合少量的目标城市数据优化模型,最终获得目标城市的预测模型,完成在数据稀缺城市的人流预测。本文利用中国城市的真实数据对提出的框架作了实验评估,最终实验结果表明,该方法能够准确有效的选出适合迁移的城市,并相较于传统预测模型以及先进的深度学习模型在不同城市对的迁移中都有较大的性能提升,提升范围在9-13%。因此,本文所提出的基于迁移学习的跨城市人流预测框架,能够在少量的备选城市中,评估城市的可迁移性,结合提出的网络模型,有效地解决了在数据稀缺背景下的跨城市人流预测问题。