SeoulMMOD: A Large-Scale Multimodal Origin-Destination Flow Benchmark

📄 arXiv: 2610.13730v1 📥 PDF

作者: Taeyoung Yu, Seonbin Jo, Jiwon Kim, Junyoung Byun

分类: cs.LG

发布日期: 2026-10-09

💡 一句话要点

提出SeoulMMOD以解决城市多模态出行流量预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 出发-目的地流量预测 多模态交通 城市交通管理 时空模型 数据集构建 交通模式分析 预测基准 智能出行服务

📋 核心要点

  1. 现有的OD流量预测方法通常只考虑单一交通模式，导致无法全面反映城市交通的复杂性。
  2. 本文提出SeoulMMOD数据集，涵盖多种交通模式及相关信号，为城市级OD流量预测提供了丰富的数据支持。
  3. 实验结果显示，某些时空模型在区级有效，但在子区预测中表现不佳，且联合训练未必能提升准确性。

📝 摘要（中文）

出发-目的地（OD）流量预测通过预测城市内人类移动的量和模式来支持城市交通决策。现有的公共OD基准通常只提供城市交通的部分视图，覆盖单一交通服务或最多两种模式，导致难以将需求变化分离为不同交通模式的转变和总旅行变化。本文提出SeoulMMOD，这是一个针对首尔市的大规模公共基准，提供了三年的每小时OD流量数据，涵盖6种城市出行模式，涉及25个区和426个子区，并附带旅行时间、旅行距离、日历、降雨和兴趣点信号。通过SeoulMMOD，研究者基准测试了14个预测基线，并分析了空间缩放、联合训练与模式分离训练以及跨年泛化的影响。结果表明，某些在区级有效的时空模型无法扩展到子区OD预测，且简单的联合多模式训练并未始终提高准确性。

🔬 方法详解

问题定义：本文旨在解决城市多模态出行流量预测中的数据不足和模型适应性问题。现有方法往往只关注单一交通模式，难以全面捕捉城市交通的动态变化。

核心思路：通过构建SeoulMMOD数据集，整合多种交通模式及相关环境信号，提供一个全面的基准测试平台，以支持更准确的OD流量预测。

技术框架：整体架构包括数据收集、预处理、模型训练和评估四个主要阶段。数据收集涵盖了多种交通模式的OD流量及相关信号，预处理阶段则确保数据的质量和一致性。模型训练使用14个基线模型进行比较，评估其在不同条件下的表现。

关键创新：SeoulMMOD数据集的构建是本研究的核心创新，提供了一个多模态、多年的OD流量预测基准，填补了现有研究的空白。与现有方法相比，SeoulMMOD允许研究者在更复杂的城市交通环境中进行测试。

关键设计：在模型训练中，采用了多种损失函数和网络结构，以适应不同的交通模式和数据特征。同时，实验设计考虑了空间缩放和训练方式的影响，确保结果的可靠性和可重复性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，在14个基线模型中，某些时空模型在区级表现良好，但在子区OD预测中效果不佳，表明模型的空间适应性存在问题。此外，简单的联合多模式训练未能显著提高预测准确性，强调了模型设计的复杂性。

🎯 应用场景

该研究的潜在应用领域包括城市交通管理、公共交通优化和智能出行服务等。通过提供全面的OD流量数据，城市规划者和交通管理者可以更好地理解人流动向，从而制定更有效的交通政策和服务。未来，该数据集可能成为城市交通研究的重要基准，推动相关领域的进一步发展。

📄 摘要（原文）

Origin-destination (OD) flow forecasting supports urban mobility decisions by predicting the volume and patterns of human movement across a city. Most existing public OD benchmarks provide only a partial view of citywide mobility, covering a single transport service or at most two modes. With partial mode coverage, observed demand changes are difficult to separate into shifts across transport modes and changes in total travel. We introduce SeoulMMOD, a large-scale public benchmark for citywide multimodal mobility in Seoul. SeoulMMOD provides three years of hourly OD flows estimating total mobility for 6 urban travel modes across 25 districts and 426 sub-districts, together with travel-time, travel-distance, calendar, rainfall, and point-of-interest (POI) signals. Using SeoulMMOD, we benchmark 14 forecasting baselines under a common protocol and analyse the effects of spatial scaling, joint versus mode-separate training, and cross-year generalization. Results show that several spatio-temporal models that work at district level do not scale to sub-district OD forecasting, and that naive joint multi-mode training does not consistently improve accuracy. Together, the dataset and benchmark establish a reproducible testbed for multi-mode, multi-year OD forecasting at the city scale.