Rapid urbanization has made the estimation of the human mobility flows a substantial task for transportation and urban planners. Worker and student mobility flows are among the most weekly regular displacements and consequently generate road congestion issues. With urge of demands on efficient transport planning policies, estimating their commuting facilitates the decision-making processes for local authorities. Worker and student censuses often contain home location, work places and educational institutions. This paper proposes a novel approach to estimate individuals origin–destination matrices from census datasets. We use a multi-task neural network to learn a generic model providing the spatio-temporal estimations of commuters dynamic mobility flows on daily basis from static censuses. Multi-task learning aims at leveraging functional information incorporated in multiple tasks, which allows ameliorating the generalization performance within all the tasks. We first aggregate individuals household travel surveys and census databases with working and studying trips. The model learns the temporal distribution of displacements from these static sources and then it is applied on scholar and worker mobility sources to predict the temporal characteristics of commuters’ displacements (i.e. origin–destination matrices). Our method yields substantially more stable predictions in terms of accuracy and results in a significant error rate control in comparison to single task learning.

中文翻译：

---

针对个人起源的深度多任务学习-根据人口普查数据估算目标矩阵

快速的城市化进程已成为交通和城市规划人员的一项重要任务。工人和学生的流动性是每周最频繁的流离失所者之一，因此会造成道路拥堵问题。迫切需要有效的交通规划政策，估算通勤量有助于地方当局的决策过程。工人和学生普查通常包含住所，工作地点和教育机构。本文提出了一种从人口普查数据集估算个人起源-目的地矩阵的新颖方法。我们使用多任务神经网络来学习通用模型，该模型提供了每日从静态普查中对通勤者动态流动性进行时空估计。多任务学习旨在利用包含在多个任务中的功能信息，从而改善所有任务中的泛化性能。我们首先将个人的家庭旅行调查和人口普查数据库与工作和学习旅行进行汇总。该模型从这些静态源学习位移的时间分布，然后将其应用于学者和工人流动性源，以预测通勤者位移的时间特征（即原点-目的地矩阵）。与单任务学习相比，我们的方法在准确性方面产生了更加稳定的预测，并且可以显着控制错误率。我们首先将个人的家庭旅行调查和人口普查数据库与工作和学习旅行进行汇总。该模型从这些静态源学习位移的时间分布，然后将其应用于学者和工人流动性源，以预测通勤者位移的时间特征（即原点-目的地矩阵）。与单任务学习相比，我们的方法在准确性方面产生了更加稳定的预测，并且可以显着控制错误率。我们首先将个人的家庭旅行调查和人口普查数据库与工作和学习旅行进行汇总。该模型从这些静态源学习位移的时间分布，然后将其应用于学者和工人流动性源，以预测通勤者位移的时间特征（即原点-目的地矩阵）。与单任务学习相比，我们的方法在准确性方面产生了更加稳定的预测，并且可以显着控制错误率。